Optimization of Module Transferability in Single Image Super-Resolution: Universality Assessment and Cycle Residual Blocks

要約

ディープラーニングは、単一の画像超解像度（SISR）を大幅に進めています。
ただし、既存の研究は主に生のパフォーマンスの向上に焦点を当てており、建築コンポーネントの移動性の定量化にはほとんど注意が払われていません。
この論文では、「普遍性」の概念と、モジュールの移転性の容易さを網羅する「一般化」という従来の概念を拡張する関連定義の概念を紹介し、モジュールの普遍性とモデルの一般化可能性との関係を明らかにします。
次に、特定のモジュールをモデル間でどの程度容易に移植できるかを定量化するためのメトリックである普遍性評価方程式（UAE）を提案します。
標準残留ブロックおよびその他のプラグアンドプレイモジュールのUAE結果に導かれ、さらに2つの最適化されたモジュール、サイクル残留ブロック（CRB）と深さごとのサイクル残留ブロック（DCRB）を設計します。
自然型ベンチマーク、リモートセンシングデータセット、極端な産業画像、およびデバイス上の展開に関する包括的な実験を通じて、提案されたプラグアンドプレイモジュールが埋め込まれたネットワークがいくつかの最先端を上回り、0.83DBのPSNR拡張機能を獲得したPSNR強化に到達することを実証します。
忠実。

要約(オリジナル)

Deep learning has substantially advanced the Single Image Super-Resolution (SISR). However, existing researches have predominantly focused on raw performance gains, with little attention paid to quantifying the transferability of architectural components. In this paper, we introduce the concept of ‘Universality’ and its associated definitions which extend the traditional notion of ‘Generalization’ to encompass the modules’ ease of transferability, thus revealing the relationships between module universality and model generalizability. Then we propose the Universality Assessment Equation (UAE), a metric for quantifying how readily a given module could be transplanted across models. Guided by the UAE results of standard residual blocks and other plug-and-play modules, we further design two optimized modules, Cycle Residual Block (CRB) and Depth-Wise Cycle Residual Block (DCRB). Through comprehensive experiments on natural-scene benchmarks, remote-sensing datasets, extreme-industrial imagery and on-device deployments, we demonstrate that networks embedded with the proposed plug-and-play modules outperform several state-of-the-arts, reaching a PSNR enhancement of up to 0.83dB or enabling a 71.3% reduction in parameters with negligible loss in reconstruction fidelity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google