基于重参数化的超分辨率重建.pdfVIP

Vol.52No.4计算机与数字工程总第414期

1110ComputerDigitalEngineering第52卷

2024年第4期

基于重参数化的超分辨率重建∗

12

田蕾申艺

（1.北京跟踪与通信技术研究所北京100094）（2.南京航空航天大学南京210000）

摘要针对现有单图像超分辨率重建（SingleImageSuper-resolution，SISR）模型存在速度和精度的矛盾，论文给出了

一种重参数化（Re-parameterization）的轻量模型用于实现图像重建。该模型训练时通过使用结构较复杂的模型保证精度，

推理时通过模型等效变换为简单的卷积以提高速度。同时多监督结构的加入让模型收敛更快且更为灵活。通过峰值信噪

比和结构相似度对重建模型的质量和效率进行了评估。验证了所提模型在现有超分辨率重建方法中兼具了轻量和重建质

量良好的优点。

关键词单图像超分辨率；卷积神经网络；多监督学习；重参数化

中图分类号TP183DOI：10.3969/j.issn.1672-9722.2024.04.026

Super-resolutionReconstructionBasedonRe-parameterization

TIANLeiSHENYi12

（1.BeijingInstituteofTrackingandCommunicationTechnology，Beijing100094）

（2.NanjingUniversityofAeronauticsandAstronautics，Nanjing210000）

AbstractInviewofthecontradictionbetweenthespeedandaccuracyoftheexistingsingleimagesuper-resolution（SISR）

model，thispaperpresentsalightweightre-parameterizationmodelforimagerealizationreconstruction.Themodelistrainedtoen⁃

sureaccuracybyusingamodelwithamorecomplexstructure，andthemodelisequivalentlytransformedintoasimpleconvolution

toimprovethespeedduringinference.Atthesametime，theadditionofamulti-supervisorystructuremakesthemodelconverge

fasterandmoreflexible.Thequalityandefficiencyofthereconstructionmodelareevaluatedbythepeaksignal-to-noiseratioand

structuralsimilarity.Itisverifiedthattheproposedmodelhastheadvantagesoflightweightandgoodreconstructionqualityinthe

existingsuper-resolutionreconstructionmethods.

KeyWordssingleimagesuper-resolution，convolutionalneuralnetwork，multi-supervisedlearning，re-parameterization

ClassNumberTP183