作者：Edison_G
1、前言摘要
然而，由于计算范式的不同，很难将AdderNet在大规模图像分类上的现有成功直接继承到图像超分辨率任务中。具体来说，加法器操作不容易学习标识映射，这对于图像处理任务是必不可少的。此外，AdderNet无法保证高通滤波器的功能。
为此，研究员深入分析了加法器操作与标识映射之间的关系，并插入快捷方式，以提高使用加法器网络的SR模型的性能。然后，研究员开发了一个可学习的power activation，以调整特征分布和细化细节。在几个基准模型和数据集上进行的实验表明，使用加法网络的图像超分辨率模型可以实现与其CNN基线相当的性能和视觉质量，并使能耗降低约2×。
2、相关领域及回顾
- AdderNet
加法网络，“计算机视觉研究院”平台之前就详细分析了，并且移植到目标检测，具体链接如下：
CVPR2020最佳目标检测 | AdderNet（加法网络）含论文及源码链接
代码实践 | CVPR2020——AdderNet（加法网络）迁移到检测网络（代码分享）
现有的有效超分辨率方法旨在减少模型的参数或计算量。最近，[Hanting Chen, Yunhe Wang, Chunjing Xu, Boxin Shi, Chao Xu, Qi Tian, and Chang Xu. Addernet: Do we really need multiplications in deep learning? In CVPR, 2020]开创了一种新的方法，通过用加法运算代替乘法来减少网络的功耗。它在卷积层中没有任何乘法，在分类任务上实现了边际精度损失。本此研究旨在提高加法网络在超分辨率任务中的性能。
- Preliminaries and Motivation
在这里，我们首先简要介绍了使用深度学习方法的单个图像超分辨率任务，然后讨论了直接使用AdderNet构建节能SR模型的困难。现有的超分辨率方法大致可分为三类：interpolation based methods,dictionary-based methods和deep learning based methods。在过去的十年里，由于其显著的表现，注意力已经转移到深度学习方法上。[Chao Dong, Chen Change Loy, Kaiming He, and Xiaoou Tang. Learning a deep convolutional network for image super-resolution. In ECCV, pages 184–199, 2014]首先引入了深度学习方法来实现超分辨率，并取得了比传统方法更好的性能。conventional SISR任务的总体目标函数可以表述为：
尽管下面公式显示了类似的性能，在上面公式定义了SISR问题。与传统的识别任务有很大的不同。例如，我们需要确保输出结果保持X(即Iy)中的原始纹理，这是下面公式不容易学习的。因此，我们应该设计一个新的AdderNet框架来构建节能SISR模型。
3、AdderNet for Image Super-Resolution
- Learning Identity Mapping using AdderNet
然后选择每个元素的合适值：
- Learnable Power Activation
除了标识映射外，传统卷积滤波器还有另一个重要的功能，不能很容易地通过加法滤波器来保证。SISR模型的目标是增强输入低分辨率图像的细节，包括颜色和纹理信息。因此，在现有的SISR模型中，高通滤波器也是一个非常重要的组成部分。可以在下图中找到，当网络深度增加时，输入图像的细节逐渐增强。
4、实验
一种具有不同策略的AdderSR网络中加法层的输出特征图
[14]:Jiwon Kim, Jung Kwon Lee, and Kyoung Mu Lee. Accurate image super-resolution using very deep convolutional networks. In CVPR, pages 1646–1654, 2016.
AdderSR Network and CNN on ×3 scale超分辨率图像可视化
© THE END
