基于非对称信息蒸馏网络的轻量级图像超分辨重建

doi:10.11772/j.issn.1001-9081.2024030276

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (2): 601-609.DOI: 10.11772/j.issn.1001-9081.2024030276

• 多媒体计算与计算机仿真 • 上一篇

基于非对称信息蒸馏网络的轻量级图像超分辨重建

孟海腾, 赵小乐(), 李天瑞

西南交通大学计算机与人工智能学院，成都 611756

收稿日期:2024-03-18 修回日期:2024-04-30 接受日期:2024-05-06 发布日期:2024-06-06 出版日期:2025-02-10
通讯作者: 赵小乐
作者简介:孟海腾（1999—），男，江苏徐州人，硕士研究生，CCF会员，主要研究方向：计算机视觉、图像处理
李天瑞（1969—），男，福建莆田人，教授，博士，CCF会员，主要研究方向：大数据、粗糙集、粒计算。
基金资助:
国家自然科学基金资助项目(62102330)

Lightweight image super-resolution reconstruction based on asymmetric information distillation network

Haiteng MENG, Xiaole ZHAO(), Tianrui LI

School of Computing and Artificial Intelligence，Southwest Jiaotong University，Chengdu Sichuan 611756，China

Received:2024-03-18 Revised:2024-04-30 Accepted:2024-05-06 Online:2024-06-06 Published:2025-02-10
Contact: Xiaole ZHAO
About author:MENG Haiteng， born in 1999， M. S. candidate. His research interests include computer vision， image processing.
LI Tianrui， born in 1969， Ph. D.， professor. His research interests include big data， rough set， granular computing.
Supported by:
National Natural Science Foundation of China(62102330)

摘要/Abstract

摘要：

深度卷积神经网络（CNN）在图像超分辨率重建领域表现出卓越性能，然而现有的许多相关方法的模型参数量较多，无法应用至计算资源较低的设备。为缓解上述问题，提出一个轻量级的非对称信息蒸馏网络（AIDN）模型。首先，输入原始图像及其边缘图像以提取有效的特征信息；其次，设计一个非对称信息蒸馏块对提取到的特征进行非线性映射学习；再次，使用上采样模块重建多个残差图像后，将这些残差图像经过注意力机制融合成一个残差图像；最后，将融合的残差图像与输入图像的插值相加后得到超分图像。在Set14、Urban100和Manga109数据集上的实验结果表明，相较于空间自适应特征调制网络（SAFMN），AIDN模型的4倍超分峰值信噪比（PSNR）值分别提升了0.03 dB、0.14 dB和0.06 dB，说明了AIDN模型在模型参数量和模型性能之间取得了更好的平衡。

关键词: 图像超分辨率, 轻量级超分辨率网络, 非对称卷积, 信息蒸馏, 注意力机制

Abstract:

Deep Convolutional Neural Network （CNN） has impressive performance in image super-resolution reconstruction. However， many current related methods have a lot of model parameters， making them unsuitable for devices with limited computational resources. To address the above problem， a lightweight Asymmetric Information Distillation Network （AIDN） was proposed. Firstly， effective feature information was extracted from the input original images and edge images. Secondly， an asymmetric information distillation module was designed for non-linear mapping learning on these features. Thirdly， multiple residual images were reconstructed by an upsampling module and fused into one residual image through attention mechanism. Finally， the fused residual image was added to the interpolation of the input image to generate the super-resolution image. Experimental results on Set14， Urban100， and Manga109 datasets show that the 4× super-resolution Peak Signal-to-Noise Ratio （PSNR） values of AIDN model are improved by 0.03 dB， 0.14 dB， and 0.06 dB， respectively， compared to those of Spatial Adaptive Feature Modulation Network （SAFMN）. This demonstrates that AIDN model achieves a superior balance between model parameters and performance.

Key words: image super-resolution, lightweight super-resolution network, asymmetric convolution, information distillation, attention mechanism

中图分类号:

TP391.4

孟海腾, 赵小乐, 李天瑞. 基于非对称信息蒸馏网络的轻量级图像超分辨重建[J]. 计算机应用, 2025, 45(2): 601-609.

Haiteng MENG, Xiaole ZHAO, Tianrui LI. Lightweight image super-resolution reconstruction based on asymmetric information distillation network[J]. Journal of Computer Applications, 2025, 45(2): 601-609.

图/表 20

图1 非对称信息蒸馏网络的整体结构

Fig. 1 Overall structure of asymmetric information distillation network

图2 浅层特征提取模块的结构

Fig. 2 Structure of shallow feature extraction module

图3 非对称信息蒸馏块的结构

Fig. 3 Structure of asymmetric information distillation block

图4 ESA模块和IESA模块的结构

Fig. 4 Structures of ESA module and IESA module

图5 上采样模块结构

Fig. 5 Structure of upsampling module

图6 不同超分倍数下U模块结构

Fig. 6 Structures of U module under different super-resolution multiples

图7 注意力选择模块的结构

Fig. 7 Structure of attention selection module

表1 AIDN模型的详细实验参数

Tab. 1 Detailed experimental parameters of AIDN model

模块名	输出特征大小	子模块名	子模块结构
SFEM	64×64	Conv3	3×3，3
SFEM	64×64	Conv3	｛3×3，26｝×2
AIDB	64×64	HvConv	$1 × 3 32 3 × 1 32$ ×4
		VhConv	$3 × 1 20 1 × 3 20$ ×4
		Conv1	｛1×1，26｝×4
		Conv1	1×1，52
IESA	64×64	Conv1	1×1，13
	31×31	Strided Conv	3×3，13，s=2
	15×15	Pooling	2×2，s=2
	64×64	DwConv3	3×3，13，g=13
	31×31	DwConv3	3×3，13，g=13
	15×15	DwConv3	3×3，13，g=13
	64×64	Conv1	1×1，52
UM	64×64	Conv3（U）	3×3，3r²
UM	$64 n × 64 n$	Conv3	3×3，3
ASM	$64 n × 64 n$	Conv1	1×1，24
		Conv1×3	1×3，24
		Conv3×1	3×1，24
		Conv1	1×1，12

表1 AIDN模型的详细实验参数

Tab. 1 Detailed experimental parameters of AIDN model

模块名	输出特征大小	子模块名	子模块结构
SFEM	64×64	Conv3	3×3，3
SFEM	64×64	Conv3	｛3×3，26｝×2
AIDB	64×64	HvConv	$1 × 3 32 3 × 1 32$ ×4
		VhConv	$3 × 1 20 1 × 3 20$ ×4
		Conv1	｛1×1，26｝×4
		Conv1	1×1，52
IESA	64×64	Conv1	1×1，13
	31×31	Strided Conv	3×3，13，s=2
	15×15	Pooling	2×2，s=2
	64×64	DwConv3	3×3，13，g=13
	31×31	DwConv3	3×3，13，g=13
	15×15	DwConv3	3×3，13，g=13
	64×64	Conv1	1×1，52
UM	64×64	Conv3（U）	3×3，3r²
UM	$64 n × 64 n$	Conv3	3×3，3
ASM	$64 n × 64 n$	Conv1	1×1，24
		Conv1×3	1×3，24
		Conv3×1	3×1，24
		Conv1	1×1，12

表2 不同超分网络在5个基准数据集上的2倍结果比较

Tab. 2 Comparison of 2× results of different super-resolution networks on 5 benchmark datasets

模型名	参数量/ $103$	Set5		Set14		B100		Urban100		Manga109
模型名	参数量/ $103$	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM
Bicubic	—	33.66	0.929 9	30.24	0.868 8	29.56	0.843 1	26.88	0.840 3	30.80	0.933 9
SRCNN^［1］	57	36.66	0.954 2	32.45	0.906 7	31.36	0.887 9	29.50	0.894 6	35.60	0.966 3
FSRCNN^［8］	12	37.00	0.955 8	32.63	0.908 8	31.53	0.892 0	29.88	0.902 0	36.67	0.971 0
LapSRN^［17］	813	37.52	0.959 1	33.08	0.913 0	31.08	0.895 0	30.42	0.910 1	37.27	0.974 0
MemNet^［33］	677	37.78	0.959 7	33.28	0.914 2	32.08	0.897 8	31.31	0.919 5	37.72	0.974 0
IDN^［4］	553	37.83	0.960 0	33.30	0.914 8	32.08	0.898 5	31.27	0.919 6	38.01	0.974 9
IMDN^［15］	694	38.00	0.960 5	33.63	0.917 7	32.19	0.899 6	32.17	0.928 3	38.88	0.977 4
PAN^［19］	261	38.00	0.960 5	33.59	0.918 1	32.18	0.899 7	32.01	0.927 3	38.70	0.977 3
ShuffleMixer^［34］	394	38.01	0.960 6	33.63	0.918 0	32.17	0.899 5	31.89	0.925 7	38.83	0.977 4
SAFMN^［21］	228	38.00	0.960 5	33.54	0.917 7	32.16	0.899 5	31.84	0.925 6	38.71	0.977 1
AIDN（本文）	229	38.02	0.960 4	33.55	0.917 7	32.18	0.899 7	32.02	0.927 1	38.77	0.977 3

表2 不同超分网络在5个基准数据集上的2倍结果比较

Tab. 2 Comparison of 2× results of different super-resolution networks on 5 benchmark datasets

模型名	参数量/ $103$	Set5		Set14		B100		Urban100		Manga109
模型名	参数量/ $103$	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM
Bicubic	—	33.66	0.929 9	30.24	0.868 8	29.56	0.843 1	26.88	0.840 3	30.80	0.933 9
SRCNN^［1］	57	36.66	0.954 2	32.45	0.906 7	31.36	0.887 9	29.50	0.894 6	35.60	0.966 3
FSRCNN^［8］	12	37.00	0.955 8	32.63	0.908 8	31.53	0.892 0	29.88	0.902 0	36.67	0.971 0
LapSRN^［17］	813	37.52	0.959 1	33.08	0.913 0	31.08	0.895 0	30.42	0.910 1	37.27	0.974 0
MemNet^［33］	677	37.78	0.959 7	33.28	0.914 2	32.08	0.897 8	31.31	0.919 5	37.72	0.974 0
IDN^［4］	553	37.83	0.960 0	33.30	0.914 8	32.08	0.898 5	31.27	0.919 6	38.01	0.974 9
IMDN^［15］	694	38.00	0.960 5	33.63	0.917 7	32.19	0.899 6	32.17	0.928 3	38.88	0.977 4
PAN^［19］	261	38.00	0.960 5	33.59	0.918 1	32.18	0.899 7	32.01	0.927 3	38.70	0.977 3
ShuffleMixer^［34］	394	38.01	0.960 6	33.63	0.918 0	32.17	0.899 5	31.89	0.925 7	38.83	0.977 4
SAFMN^［21］	228	38.00	0.960 5	33.54	0.917 7	32.16	0.899 5	31.84	0.925 6	38.71	0.977 1
AIDN（本文）	229	38.02	0.960 4	33.55	0.917 7	32.18	0.899 7	32.02	0.927 1	38.77	0.977 3

表3 不同超分网络在5个基准数据集上的3倍结果比较

Tab. 3 Comparison of 3× results of different super-resolution networks on 5 benchmark datasets

模型名	参数量/ $103$	Set5		Set14		B100		Urban100		Manga109
模型名	参数量/ $103$	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM
Bicubic	—	30.39	0.868 2	27.55	0.774 2	27.21	0.738 5	24.46	0.734 9	26.95	0.855 6
SRCNN^［1］	57	32.75	0.909 0	29.28	0.820 9	28.41	0.786 3	26.24	0.798 9	30.69	0.917 0
FSRCNN^［8］	12	33.16	0.914 0	29.43	0.824 2	28.53	0.791 0	26.43	0.808 0	30.98	0.921 2
MemNet^［33］	677	34.09	0.924 8	30.01	0.835 0	28.96	0.800 1	27.56	0.837 6	32.51	0.936 9
IDN^［4］	553	34.11	0.925 3	29.99	0.835 4	28.95	0.801 3	27.42	0.835 9	32.71	0.938 1
IMDN^［15］	703	34.36	0.927 0	30.32	0.841 7	29.09	0.804 6	27.17	0.851 9	33.61	0.944 5
PAN^［19］	261	34.40	0.927 2	30.37	0.842 3	29.12	0.805 1	28.08	0.849 8	33.69	0.944 8
ShuffleMixer^［34］	415	34.40	0.927 2	30.37	0.842 3	29.12	0.805 1	28.08	0.849 8	33.69	0.944 8
SAFMN^［21］	233	34.34	0.936 7	30.33	0.841 8	29.08	0.804 8	27.95	0.847 4	33.52	0.943 7
AIDN（本文）	257	34.42	0.927 3	30.36	0.842 4	29.12	0.805 2	28.16	0.852 4	33.66	0.844 9

表3 不同超分网络在5个基准数据集上的3倍结果比较

Tab. 3 Comparison of 3× results of different super-resolution networks on 5 benchmark datasets

模型名	参数量/ $103$	Set5		Set14		B100		Urban100		Manga109
模型名	参数量/ $103$	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM
Bicubic	—	30.39	0.868 2	27.55	0.774 2	27.21	0.738 5	24.46	0.734 9	26.95	0.855 6
SRCNN^［1］	57	32.75	0.909 0	29.28	0.820 9	28.41	0.786 3	26.24	0.798 9	30.69	0.917 0
FSRCNN^［8］	12	33.16	0.914 0	29.43	0.824 2	28.53	0.791 0	26.43	0.808 0	30.98	0.921 2
MemNet^［33］	677	34.09	0.924 8	30.01	0.835 0	28.96	0.800 1	27.56	0.837 6	32.51	0.936 9
IDN^［4］	553	34.11	0.925 3	29.99	0.835 4	28.95	0.801 3	27.42	0.835 9	32.71	0.938 1
IMDN^［15］	703	34.36	0.927 0	30.32	0.841 7	29.09	0.804 6	27.17	0.851 9	33.61	0.944 5
PAN^［19］	261	34.40	0.927 2	30.37	0.842 3	29.12	0.805 1	28.08	0.849 8	33.69	0.944 8
ShuffleMixer^［34］	415	34.40	0.927 2	30.37	0.842 3	29.12	0.805 1	28.08	0.849 8	33.69	0.944 8
SAFMN^［21］	233	34.34	0.936 7	30.33	0.841 8	29.08	0.804 8	27.95	0.847 4	33.52	0.943 7
AIDN（本文）	257	34.42	0.927 3	30.36	0.842 4	29.12	0.805 2	28.16	0.852 4	33.66	0.844 9

表4 不同超分网络在5个基准数据集上的4倍结果比较

Tab. 4 Comparison of 4× results of different super-resolution networks on 5 benchmark datasets

模型名	参数量/ $103$	Set5		Set14		B100		Urban100		Manga109
模型名	参数量/ $103$	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM
Bicubic	—	28.42	0.810 4	26.00	0.702 7	25.96	0.667 5	23.14	0.657 7	24.89	0.786 6
SRCNN^［1］	57	30.48	0.862 8	27.49	0.750 3	26.90	0.710 1	24.52	0.722 1	27.66	0.850 5
FSRCNN^［8］	12	30.71	0.865 7	27.59	0.753 5	26.98	0.715 0	24.62	0.828 0	27.90	0.851 7
LapSRN^［17］	813	31.54	0.885 0	28.19	0.772 0	27.32	0.728 0	25.21	0.756 0	29.09	0.884 5
MemNet^［33］	677	31.74	0.889 3	28.26	0.772 3	27.40	0.728 1	25.50	0.763 0	29.42	0.894 2
IDN^［4］	553	31.82	0.890 3	28.25	0.773 0	27.41	0.729 7	25.41	0.763 2	29.41	0.894 2
IMDN^［15］	715	32.21	0.894 8	28.58	0.781 1	27.56	0.735 3	26.04	0.783 8	30.45	0.907 5
PAN^［19］	261	32.13	0.894 8	28.66	0.782 7	27.61	0.736 6	26.08	0.783 5	30.65	0.909 3
HPUN-S^［35］	246	32.09	0.893 1	28.52	0.779 7	27.54	0.734 8	25.86	0.778 8	30.21	0.904 3
ShuffleMixer^［34］	411	32.21	0.895 3	28.66	0.782 7	27.61	0.736 6	26.08	0.783 5	30.65	0.909 3
SAFMN^［21］	240	32.18	0.894 8	28.60	0.781 3	27.58	0.735 9	25.97	0.780 9	30.43	0.909 3
AIDN（本文）	229	32.18	0.894 6	28.63	0.787 1	27.58	0.735 9	26.11	0.785 8	30.49	0.908 5

表4 不同超分网络在5个基准数据集上的4倍结果比较

Tab. 4 Comparison of 4× results of different super-resolution networks on 5 benchmark datasets

模型名	参数量/ $103$	Set5		Set14		B100		Urban100		Manga109
模型名	参数量/ $103$	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM
Bicubic	—	28.42	0.810 4	26.00	0.702 7	25.96	0.667 5	23.14	0.657 7	24.89	0.786 6
SRCNN^［1］	57	30.48	0.862 8	27.49	0.750 3	26.90	0.710 1	24.52	0.722 1	27.66	0.850 5
FSRCNN^［8］	12	30.71	0.865 7	27.59	0.753 5	26.98	0.715 0	24.62	0.828 0	27.90	0.851 7
LapSRN^［17］	813	31.54	0.885 0	28.19	0.772 0	27.32	0.728 0	25.21	0.756 0	29.09	0.884 5
MemNet^［33］	677	31.74	0.889 3	28.26	0.772 3	27.40	0.728 1	25.50	0.763 0	29.42	0.894 2
IDN^［4］	553	31.82	0.890 3	28.25	0.773 0	27.41	0.729 7	25.41	0.763 2	29.41	0.894 2
IMDN^［15］	715	32.21	0.894 8	28.58	0.781 1	27.56	0.735 3	26.04	0.783 8	30.45	0.907 5
PAN^［19］	261	32.13	0.894 8	28.66	0.782 7	27.61	0.736 6	26.08	0.783 5	30.65	0.909 3
HPUN-S^［35］	246	32.09	0.893 1	28.52	0.779 7	27.54	0.734 8	25.86	0.778 8	30.21	0.904 3
ShuffleMixer^［34］	411	32.21	0.895 3	28.66	0.782 7	27.61	0.736 6	26.08	0.783 5	30.65	0.909 3
SAFMN^［21］	240	32.18	0.894 8	28.60	0.781 3	27.58	0.735 9	25.97	0.780 9	30.43	0.909 3
AIDN（本文）	229	32.18	0.894 6	28.63	0.787 1	27.58	0.735 9	26.11	0.785 8	30.49	0.908 5

图8 AIDN和其他轻量级算法的模型参数量与性能对比

Fig. 8 Comparison of model parameters and performance of AIDN and other lightweight algorithms

图9 不同算法的4倍超分视觉结果比较

Fig. 9 Comparison of 4× super-resolution visual results of different algorithms

图10 浅层特征提取模块各个阶段图像及特征的可视化

Fig. 10 Visualization of images and features at each stage of shallow feature extraction module

表5 AIDN在Set5数据集上的4倍超分消融实验结果

Tab. 5 Experimental results of 4x super-resolution ablation of AIDN on Set5 dataset

实验序号	实验设置				模型参数量	PSNR/dB
实验序号	ESA	IESA	edge	ASM	模型参数量	PSNR/dB
1	√	×	×	×	237 491	31.51
2	×	√	×	×	225 323	31.55
3	×	√	√	×	225 404	31.56
4	×	√	×	√	229 439	32.10
5	×	√	√	√	229 520	32.11

图11 ESA、IESA、ASM和edge模块的收敛曲线

Fig. 11 Convergence curves of ESA， IESA， ASM and edge modules

图12 两种中间特征处理方式示意图对比

Fig. 12 Comparison of schematic diagram betweentwo intermediate feature processing methods

图13 不同中间特征处理方式训练收敛曲线

Fig. 13 Training convergence curves of different intermediate feature processing methods

图14 m1和m3各模块输出示例特征图的可视化对比

Fig. 14 Visual comparison of example feature maps output by each module of m1 and m3

图15 AIDN图像重建失败案例

Fig. 15 Failure case of AIDN for image super-resolution

参考文献 36

1	DONG C， LOY C C， HE K， et al. Learning a deep convolutional network for image super-resolution［C］// Proceedings of the 2014 European Conference on Computer Vision， LNCS 8692. Cham： Springer， 2014： 184-199.
2	KIM J， LEE J K， LEE K M. Accurate image super-resolution using very deep convolutional networks［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 1646-1654.
3	KIM J， LEE J K， LEE K M. Deeply-recursive convolutional network for image super-resolution［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 1637-1645.
4	ZHENG H， WANG X， GAO X. Fast and accurate single image super-resolution via information distillation network［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 723-731.
5	SZEGEDY C， VANHOUCKE V， LOFFE S， et al. Rethinking the inception architecture for computer vision［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 2818-2826.
6	TIAN C， XU Y， ZUO W， et al. Asymmetric CNN for image super-resolution［J］. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2022， 52（6）： 3718-3730.
7	ZONG Z， ZHA L， JIANG J， et al. Asymmetric information distillation network for lightweight super resolution［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. Piscataway： IEEE， 2022： 1248-1257.
8	DONG C， LOY C C， TANG X. Accelerating the super-resolution convolutional neural network［C］// Proceedings of the 2016 European Conference on Computer Vision， LNCS 9906. Cham： Springer， 2016： 391-407.
9	LIM B， SON S， KIM H， et al. Enhanced deep residual networks for single image super-resolution［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops. Piscataway： IEEE， 2017： 1132-1140.
10	ZHANG Y， LI K， LI K， et al. Image super-resolution using very deep residual channel attention networks［C］// Proceedings of the 2018 European Conference on Computer Vision， LNCS 11211. Cham： Springer， 2018： 294-310.
11	DOSOVITSKIY A， BEYER L， KOLESNIKOV A， et al. An image is worth 16×16 words： transformers for image recognition at scale［EB/OL］. ［2024-01-13］..
12	LIANG J， CAO J， SUN G， et al. SwinIR： image restoration using Swin Transformer［C］// Proceedings of the 2021 IEEE/CVF International Conference on Computer Vision Workshops. Piscataway： IEEE， 2021： 1833-1844.
13	ZHANG X， ZENG H， GUO S， et al. Efficient long-range attention network for image super resolution［C］// Proceedings of the 2022 European Conference on Computer Vision， LNCS 13677. Cham： Springer， 2022： 649-667.
14	ZHOU Y， LI Z， GUO C L， et al. SRFormer： permuted self-attention for single image super-resolution［C］// Proceedings of the 2023 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2023： 12734-12745.
15	ZHENG H， GAO X， YANG Y， et al. Lightweight image super-resolution with information multi-distillation network［C］// Proceedings of the 27th ACM International Conference on Multimedia. New York： ACM， 2019： 2024-2032.
16	LIU J， TANG J， WU G. Residual feature distillation network for lightweight image super-resolution［C］// Proceedings of the 2020 European Conference on Computer Vision Workshops， LNCS 12537. Cham： Springer， 2020： 41-55.
17	LAI W S， HUANG J B， AHUJA N， et al. Deep Laplacian pyramid networks for fast and accurate super-resolution［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 5835-5843.
18	LAI W S， HUANG J B， AHUJA N， et al. Fast and accurate image super-resolution with deep Laplacian pyramid networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2019， 41（11）： 2599-2613.
19	ZHAO H， KONG X， HE J， et al. Efficient image super-resolution using pixel attention［C］// Proceedings of the 2020 European Conference on Computer Vision Workshops， LNCS 12537. Cham： Springer， 2020： 56-72.
20	LI Z， LIU Y， CHEN X， et al. Blueprint separable residual network for efficient image super-resolution［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. Piscataway： IEEE， 2022： 832-842.
21	SUN L， DONG J， TANG J， et al. Spatially-adaptive feature modulation for efficient image super-resolution［C］// Proceedings of the 2023 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2023： 13144-13153.
22	FANG J， LIN H， CHEN X， et al. A hybrid network of CNN and Transformer for lightweight image super-resolution［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. Piscataway： IEEE， 2022： 1102-1111.
23	ZHANG A， REN W， LIU Y， et al. Lightweight image super-resolution with super-pixel token interaction［C］// Proceedings of the 2023 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2023： 12682-12691.
24	HU J， SHEN L， SUN G. Squeeze-and-excitation networks［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 7132-7141.
25	LIU J， ZHANG W， TANG Y， et al. Residual feature aggregation network for image super-resolution［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 2356-2365.
26	KONG F， LI M， LIU S， et al. Residual local feature network for efficient super-resolution［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. Piscataway： IEEE， 2022： 765-775.
27	TIMOFTE R， AGUSTSSON E， VAN GOOL L， et al. NTIRE 2017 challenge on single image super-resolution： methods and results［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops. Piscataway： IEEE， 2017： 1110-1121.
28	BEVILACQUA M， ROUMY A， GUILLEMOT C， et al. Low-complexity single-image super-resolution based on nonnegative neighbor embedding［C］// Proceedings of the 2012 British Machine Vision Conference. Durham： BMVA Press， 2012： 1-10.
29	ZEYDE R， ELAD M， PROTTER M. On single image scale-up using sparse-representations［C］// Proceedings of the 2010 International Conference on Curves and Surfaces， LNCS 6920. Berlin： Springer， 2012： 711-730.
30	MARTIN D， FOWLKES C， TAL D， et al. A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics［C］// Proceedings of the 8th IEEE International Conference on Computer Vision. Piscataway： IEEE， 2001： 416-423.
31	HUANG J B， SINGH A， AHUJA N. Single image super-resolution from transformed self-exemplars［C］// Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2015： 5197-5206.
32	MATSUI Y， ITO K， ARAMAKI Y， et al. Sketch-based manga retrieval using manga109 dataset［J］. Multimedia Tools and Applications， 2017， 76（20）： 21811-21838.
33	TAI Y， YANG J， LIU X， et al. MemNet： a persistent memory network for image restoration［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 4549-4557.
34	SUN L， PAN J， TANG J. ShuffleMixer： an efficient ConvNet for image super-resolution［C］// Proceedings of the 36th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2022： 17314-17326.
35	SUN B， ZHANG Y， JIANG S， et al. Hybrid pixel-unshuffled network for lightweight image super-resolution［C］// Proceedings of the 2023 AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2023： 2375-2383.
36	AHN N， KANG B， SOHN K A. Fast， accurate， and lightweight super-resolution with cascading residual network［C］// Proceedings of the 2018 European Conference on Computer Vision， LNCS 11214. Cham： Springer， 2018： 256-272.

[1]	王地欣, 王佳昊, 李敏, 陈浩, 胡光耀, 龚宇. 面向水声通信网络的异常攻击检测[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 526-533.
[2]	蔡启健, 谭伟. 语义图增强的多模态推荐算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 421-427.
[3]	王丽芳, 吴荆双, 尹鹏亮, 胡立华. 基于注意力机制和能量函数的动作识别算法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 234-239.
[4]	宋鹏程, 郭立君, 张荣. 利用局部-全局时间依赖的弱监督视频异常检测[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 240-246.
[5]	徐杰, 钟勇, 王阳, 张昌福, 杨观赐. 基于上下文通道注意力机制的人脸属性估计与表情识别[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 253-260.
[6]	陈俊颖, 郭士杰, 陈玲玲. 基于解耦注意力与幻影卷积的轻量级人体姿态估计[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 223-233.
[7]	张嘉琳, 任庆桦, 毛启容. 利用全局-局部特征依赖的反欺骗说话人验证系统[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 308-317.
[8]	黄颖, 李昌盛, 彭慧, 刘苏. 用于动态场景高动态范围成像的局部熵引导的双分支网络[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 204-213.
[9]	李力铤, 华蓓, 贺若舟, 徐况. 基于解耦注意力机制的多变量时序预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2732-2738.
[10]	秦璟, 秦志光, 李发礼, 彭悦恒. 基于概率稀疏自注意力神经网络的重性抑郁疾患诊断[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2970-2974.
[11]	赵志强, 马培红, 黑新宏. 基于双重注意力机制的人群计数方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2886-2892.
[12]	薛凯鹏, 徐涛, 廖春节. 融合自监督和多层交叉注意力的多模态情感分析网络[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2387-2392.
[13]	汪雨晴, 朱广丽, 段文杰, 李书羽, 周若彤. 基于交互注意力机制的心理咨询文本情感分类模型[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2393-2399.
[14]	高鹏淇, 黄鹤鸣, 樊永红. 融合坐标与多头注意力机制的交互语音情感识别[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2400-2406.
[15]	李钟华, 白云起, 王雪津, 黄雷雷, 林初俊, 廖诗宇. 基于图像增强的低照度人脸检测[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2588-2594.

基于非对称信息蒸馏网络的轻量级图像超分辨重建

Lightweight image super-resolution reconstruction based on asymmetric information distillation network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 20

参考文献 36

相关文章 15

编辑推荐

Metrics