【CVPR2021】加法器神经网络（AdderNet）单图像超分辨率

本文使用加法器神经网络（AdderNet）研究单图像超分辨率问题。与卷积神经网络相比，AdderNet利用加法来计算输出特征，从而避免了传统乘法运算的大量能耗。但是，由于计算范式的不同，很难将AdderNet在大规模图像分类上的成功直接继承到图像超分辨率任务上。具体而言，加法器操作无法轻松学习身份映射，这对于图像处理任务至关重要。此外，AdderNet无法确保高通滤波的功能。为此，我们彻底分析了加法器操作与身份映射之间的关系，并插入shortcuts方式以使用加法器网络增强SR模型的性能。然后，我们开发了可学习的能量激活函数，用于调整特征分布和细化细节。在几个基准模型和数据集上进行的实验表明，我们使用AdderNets的图像超分辨率模型可以实现与CNN基线相当的性能和视觉质量，并且能耗降低了约2倍。

https://www.zhuanzhi.ai/paper/c49f1e5e686b73ed89d626bdd8ee7ecf