مقاله وضوح تصویر فوق العاده کارآمد از طریق شبکه توجه بصری متقارن

چکیده

An important development direction in the Single-Image Super-Resolution (SISR) algorithms is to improve the efficiency of the algorithms. Recently, efficient Super-Resolution (SR) research focuses on reducing model complexity and improving efficiency through improved deep small kernel convolution, leading to a small receptive field. The large receptive field obtained by large kernel convolution can significantly improve image quality, but the computational cost is too high. To improve the reconstruction details of efficient super-resolution reconstruction, we propose a Symmetric Visual Attention Network (SVAN) by applying large receptive fields. The SVAN decomposes a large kernel convolution into three different combinations of convolution operations and combines them with an attention mechanism to form a Symmetric Large Kernel Attention Block (SLKAB), which forms a symmetric attention block with a bottleneck structure by the size of the receptive field in the convolution combination to extract depth features effectively as the basic component of the SVAN. Our network gets a large receptive field while minimizing the number of parameters and improving the perceptual ability of the model. The experimental results show that the proposed SVAN can obtain high-quality super-resolution reconstruction results using only about 30% of the parameters of existing SOTA methods.

چکیده به فارسی (ترجمه ماشینی)

یک جهت توسعه مهم در الگوریتم های تک تصویر فوق العاده با وضوح (SISR) بهبود کارایی الگوریتم ها است.به تازگی ، تحقیقات کارآمد با وضوح فوق العاده (SR) بر کاهش پیچیدگی مدل و بهبود کارآیی از طریق بهبود یافته عمیق هسته کوچک ، تمرکز دارد و منجر به یک میدان گیرنده کوچک می شود.میدان پذیرنده بزرگ به دست آمده توسط حلقوی هسته بزرگ می تواند به طور قابل توجهی کیفیت تصویر را بهبود بخشد ، اما هزینه محاسباتی خیلی زیاد است.برای بهبود جزئیات بازسازی بازسازی کارآمد با وضوح فوق العاده ، ما یک شبکه توجه بصری متقارن (SVAN) را با استفاده از زمینه های پذیرنده بزرگ پیشنهاد می کنیم.SVAN یک ترکیب هسته بزرگ را به سه ترکیب مختلف از عملیات حلقوی تجزیه می کند و آنها را با مکانیسم توجه ترکیب می کند تا یک بلوک توجه هسته بزرگ متقارن (SLKAB) را تشکیل دهد ، که یک بلوک توجه متقارن با یک ساختار تنگنا با اندازه میدان گیرنده تشکیل می دهددر ترکیب Convolution برای استخراج ویژگی های عمق به طور مؤثر به عنوان مؤلفه اصلی SVAN.شبکه ما ضمن به حداقل رساندن تعداد پارامترها و بهبود توانایی ادراکی مدل ، یک میدان پذیرش بزرگ را بدست می آورد.نتایج تجربی نشان می دهد که SVAN پیشنهادی می تواند با استفاده از تنها حدود 30 ٪ از پارامترهای روشهای SOTA موجود ، نتایج بازسازی فوق العاده با کیفیت بالا را بدست آورد.