Lightweight Image Super-Resolution with Adaptive Weight Learning Network

-. Design the local fusion block(LFB) for efficient residual learning
-. The proposed adaptive weighted multi-scale(AWMS)
-.

In this work, we propose a lightweight adaptive weighted Super Resolution network for Single Image Super Resolution. AWSRN consists of a feature extraction module, a nonlinear mapping module and an adaptive weight multi-scale reconstruction module. Our AWSRN achieves state-of-the-art performance for Super Resolution.

The main contributions of this work are threefold.
(1) Adaptive Weighted Residual Unit
(2) AWMS reconstruction module
(3) Lightweight AWSRN

  1. 배경
    Single Image Super-Resolution SISR은 Low Resolution to Hight Resolution Image 복원 기술이다. CNN 기반 SR 모델들이 크게 발전하면서 SRCNN, VDSR, EDSR, RDN, RCAN 등의 모델이 높은 성능을 달성했다.

    하지만, 매우깊은 네트워크, 수백 개의 레이어, 수백만~수천만 개의 파라미터, 높은 연산량

    을 필요로하는 문제로 모바일 장치에서 적용하기 어렵다.
  2. 문제점
    2-1.
    깊은 네트워크의 Gradient Explosion 문제점 야기.
    학습 불안정성.
    EDSR은 Residual Scaling 을 사용하지만 사람이 직접 Scaling을 설정해야하고 최적 값 보장이 안되는 문제가 있다.

    2-2.
    기존 SR은 Conv, Deconv, PixelShuffle 중 하나를 사용한 단일 스케일 복원 구조를 사용한다.
    Feature Extraction -> Nonlinear Mapping -> Single Reconstruction 형태로 구성됨.
    따라서 다양한 크기의 Feature Map을 충분히 활용하지 못한다.

    2-3.
    Multi-scale reconstruction은 성능 향상에 효과적이지만 Parameter의 증가, Computation 증가 문제가 발생한다.

  3. Proposed Method
    Adaptive Weighted Super-Resolution Network, AWSRN 을 제안한다.

    L