小米开源FALSR算法：快速精确轻量级的超分辨率模型

作者 | 周强（我爱计算机视觉）、刘畅

编辑 | Jane

出品 | AI科技大本营

这是来自小米最新出炉的论文，使用神经架构搜索技术自动确定超分辨率网络模型，取得了又快又好的效果，模型已开源，非常赞！

摘要

深度卷积神经网络用于超分辨率任务中取得了长足的进步。 之前的一系列研究集中于通过使用更深层的网络来改善评价指标峰值信噪比（PSNR），而更多层往往意味着需要更多计算资料，这在计算资源有限的终端上并不容易应用。

为了设计能够在边缘设备步骤的超分辨率系统，需要在重建性能和模型的简单性之间进行权衡，但这本身并不容易把握。 学界最近的一些研究工作正在努力人工实现平衡，而本文的工作则是通过神经架构搜索自动实现相同的目标。

具体来说，本文采用多目标方法（反应模型性能的度量 PSNR,反应模型计算量的 mult-adds，和模型参数量）处理超分辨率。 还提出了一种基于混合控制器的微观和宏观层面的弹性搜索策略，该控制器利用进化计算和强化学习方法提升模型性能。

实验证明本文方法自动设计的模型在计算量可比较的模型中达到了最先进方法。

SR的神经架构

与state-of-the-art方法的精度比较

在计算量可比较的模型中，该文提出的方法精度更高

论文地址：

https://arxiv.org/pdf/1901.07261v2.pdf

代码地址：

https://github.com/falsr/FALSR

可惜的是，官方并没有公开训练代码。

最近，神经架构搜索研究和应用的论文越来越多，这是要替换掉算法工程师的节奏，更有人断言将来各种任务中最好的模型一定来自机器设计的模型！小米的这篇论文，在图像超分辨工程应用领域机器已经把算法工程师比下去了！

更多学习

什么是图像的超分辨重构技术（Super-Resolution）

图像的超分辨重构技术是指从一张或多张低分辨率的图像中，重构出相应的高分辨率图像。主要分为两类，一是从单张低分辨率图像中重建出高分辨率图像。二是从多张低分辨率图像中重建出高分辨率图像。基于深度学习的SR，主要是基于单张图像的重构方法。其应用领域非常广泛，涉及军事、医学、地理等。

超分辨重构和去噪、去网格、去模糊等问题是类似的。对于一张低分辨图像，可能会有多张高分辨图像与之对应，因此通常在求解高分辨率图像时会加一个先验信息进行规范化约束。在传统的方法中，通常会先学习这个先验信息。而基于深度学习的SR方法，则是通过神经网络直接进行从低分辨图像到高分辨图像的端到端的学习。

主要论文

• 《Image Super-Resolution Using Deep Convolutional Networks》

SRCNN（PAMI 2016）

http://mmlab.ie.cuhk.edu.hk/projects/SRCNN.html

• 《Accurate Image Super-Resolution Using Very Deep Convolutional Networks》

VDSR（CVPR 2016）

https://github.com/huangzehao/caffe-vdsr

• 《Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution》

LapSRN（CVPR 2017）

https://github.com/phoenix104104/LapSRN

• 《Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial》

SRGAN（CVPR oral 2017）

https://github.com/buriburisuri/SRGAN

• 《Enhanced Deep Residual Networks for Single Image Super-Resolution》

EDSR（CVPR Workshop 2017）

https://github.com/thstkdgus35/EDSR-PyTorch

• 《Residual Dense Network for Image Super-Resolution》

RDN（CVPR 2018）

https://github.com/yulunzhang/RDN

• 《Image Super-Resolution Using Very Deep Residual Channel Attention Networks》

RCAN（ECCV 2018）

https://github.com/yulunzhang/RCAN

• 《ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks》

ESRGAN（ECCV Workshop 2018）

https://github.com/xinntao/ESRGAN

更多解读可参考：

https://blog.csdn.net/u012395979/article/details/85854893

（本文为 AI科技大本营整理文章，转载请微信联系 1092722531。） 

推荐

推荐阅读

• iPhone曝严重漏洞，用户接听FaceTime前或被“监听”！

• 熬夜写代码，不如换女装入GitHub获上千Star？

• “百练”成钢：NumPy 100练

• 小学生手写Python程序解魔方！这是高手，这绝对是高手！

• 鏖战九载，Google 是否会因 Oracle 而弃用 Java？

• 小心！你的脸正在成为色情片主角

• 聊聊云计算：为什么构建网站时常会用到负载均衡

• 年度大戏！以太坊大神怒怼智能合约之父，尼克·萨博到底做错了啥？

• 她说：是的，嫁人当嫁程序员！