Multi-scale information distillation network for efficient image super-resolution

计算机科学 可扩展性 水准点(测量) 块(置换群论) 特征(语言学) 核(代数) 人工智能 蒸馏 领域(数学) 比例(比率) 模式识别(心理学) 数据挖掘 机器学习 数据库 数学 组合数学 物理 哲学 有机化学 化学 量子力学 纯数学 语言学 地理 大地测量学 几何学
作者
Yan-Ting Hu,Yuanfei Huang,Kaibing Zhang
出处
期刊:Knowledge Based Systems [Elsevier]
卷期号:275: 110718-110718 被引量:8
标识
DOI:10.1016/j.knosys.2023.110718
摘要

Efficient image super-resolution (SR), being preferred in the resource-constrained scenarios, aims at not only higher super-resolving accuracy but also lower computational complexity. Taking the perception capability of deep networks into account, efficiently and effectively obtaining the large receptive field is a key principle for this task. Thus, in this paper, we integrate the multi-scale receptive field design with information distillation structure and attention mechanism, and develop a lightweight Multi-Scale Information Distillation (MSID) network. In detail, we design a multi-scale feature distillation (MSFD) block by employing multi-scale convolutions with different kernels into feature distillation connection, which effectively distills information from multiple receptive fields with low computational cost for better feature refinement. Moreover, we construct a scalable large kernel attention (SLKA) block via scaling attentive fields across network layers, that possesses large and scalable receptive field in attention to discriminatively enhance the distilled features. Extensive quantitative and qualitative evaluations on benchmark datasets validate the effectiveness of each proposed component and also demonstrate the superiority of our MSID network over state-of-the-art efficient SR methods. The code is available at https://github.com/YuanfeiHuang/MSID.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
去码头整点薯条完成签到,获得积分10
刚刚
小二郎应助慈祥的翠桃采纳,获得10
刚刚
英俊的铭应助慈祥的翠桃采纳,获得10
1秒前
所所应助慈祥的翠桃采纳,获得10
1秒前
酷波er应助慈祥的翠桃采纳,获得10
1秒前
充电宝应助慈祥的翠桃采纳,获得10
1秒前
彪yu发布了新的文献求助10
1秒前
佳仔完成签到,获得积分10
1秒前
1秒前
2秒前
2秒前
奋斗蝴蝶完成签到,获得积分10
3秒前
Buxi发布了新的文献求助10
3秒前
yufeng发布了新的文献求助10
3秒前
lixiangrui110完成签到,获得积分10
3秒前
什么时候能毕业完成签到,获得积分10
3秒前
3秒前
欢欢完成签到,获得积分10
4秒前
4秒前
CaliU完成签到,获得积分10
5秒前
猜不猜不完成签到 ,获得积分10
5秒前
vv的平行宇宙完成签到,获得积分10
5秒前
许诺诺完成签到,获得积分20
5秒前
A溶大美噶发布了新的文献求助10
5秒前
沙沙完成签到 ,获得积分10
5秒前
wfc发布了新的文献求助30
5秒前
就不吃菜菜完成签到,获得积分10
6秒前
英姑应助1313131采纳,获得10
6秒前
6秒前
月月发布了新的文献求助10
6秒前
H1lb2rt完成签到 ,获得积分10
6秒前
7秒前
欢欢发布了新的文献求助10
7秒前
就月听雨完成签到,获得积分10
7秒前
7秒前
可爱的函函应助愉快道之采纳,获得10
7秒前
8秒前
今后应助五六七采纳,获得10
8秒前
华仔应助李纪磊采纳,获得10
8秒前
zzz发布了新的文献求助10
8秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3245398
求助须知:如何正确求助?哪些是违规求助? 2889057
关于积分的说明 8256709
捐赠科研通 2557392
什么是DOI,文献DOI怎么找? 1386090
科研通“疑难数据库(出版商)”最低求助积分说明 650285
邀请新用户注册赠送积分活动 626541