深度可分离超分网络
参数量降三成
用深度可分离卷积重构超分辨率网络，在几乎不损失重建质量的前提下大幅压缩模型参数。
Chu, Shu Chuan · Dou, Zhi Chao · Pan, Jeng Shyang · Kong, Lingping · Snášel, Václav · Watada, Junzo
Artificial Intelligence Review 2024
参数信息
- 参数量减少比例（RDN）
- 22.17 %
- PSNR下降（RDN）
- 0.018
- 参数量减少比例（ESRGAN）
- 31.45 %
- PSNR下降（ESRGAN）
- 0.08
- 参数量减少比例（HAT）
- 5.38 %
- PSNR下降（HAT）
- 0.02
技术优势
架构自动优化
采用多目标二进制RUN优化器（MoBRUN）自动搜索网络架构，同时平衡参数与性能。
应用场景
- 端侧超分辨率重建：大幅减少参数，使超分模型能部署到算力有限的端侧设备。
- 嵌入式视觉系统：压缩后的模型占用资源更少，适合嵌入式视觉系统实时处理。
- 模型压缩部署：提供自动搜索的深度可分离卷积架构，直接用于模型压缩部署。
- 边缘智能设备：在边缘设备上以更少参数保持高重建质量，降低存储与计算开销。