高效单图像超分辨率重建:深监督对称蒸馏网络

过去几十年,卷积神经网络(Convolutional Neural Networks,CNNs)在单图像超分辨率(Single Image Super-Resolution,SISR)方面取得了明显的进展.现在大部分基于CNNs的方法都致力于构造新的架构去提升重建性能,这通常依赖大量计算和存储成本,难以应用于移动设备.提出了一种新颖的基于深监督对称蒸馏网络的高效单图像超分辨率重建方法(Deeply-Supervised Symmetry Distillation Network,DSSD),通过构造高频特征递归模块(High-frequency Feature Recursive Module,HFRM)和对称退化模块(Symmetry Degradation Module,SDM)缓解教师网络中提取高分辨率(High-Resolution,HR)高频信息不够准确这一问题.为了约束教师网络中提取的高频特征,采用深监督方法使教师网络蒸馏的知识与学生网络互补.在DIV2K数据集上的实验表明,DSSD有效增强了单图像超分辨率(SISR)的性能,HFRM和SDM的引入能够有效帮助DSSD提取更多图像高频细节.