小米開源 FALSR 演算法：快速精確輕量級的超解析度模型
我愛計算機視覺 標星，更快獲取CVML新技術
這是一篇來自小米的最新出爐的論文，使用神經架構搜尋技術自動確定超解析度網路模型，取得了又快又好的效果，模型已開源，非常贊！
Abstract
Deep convolution neural networks demonstrate impressive results in the super-resolution domain. A series of studies concentrate on improving peak signal noise ratio (PSNR) by using much deeper layers, which are not friendly to constrained resources. Pursuing a trade-off between the restoration capacity and the simplicity of models is still non-trivial. Recent contributions are struggling to manually maximize this balance, while our work achieves the same goal automatically with neural architecture search. Specifically, we handle super-resolution with a multi-objective approach. We also propose an elastic search tactic at both micro and macro level, based on a hybrid controller that profits from evolutionary computation and reinforcement learning. Quantitative experiments help us to draw a conclusion that our generated models dominate most of the state-of-the-art methods with respect to the individual FLOPS.
摘要
深度卷積神經網路用於超解析度任務中取得了長足的進步。 之前的一系列研究集中於通過使用更深層的網路來改善評價指標峰值信噪比（PSNR），而更多層往往意味著需要更多計算資料，這在計算資源有限的終端上並不容易應用。 為了設計能夠在邊緣裝置步驟的超解析度系統，需要在重建效能和模型的簡單性之間進行權衡，但這本身並不容易把握。 學界最近的一些研究工作正在努力人工實現平衡，而本文的工作則是通過神經架構搜尋自動實現相同的目標。 具體來說，本文采用多目標方法（反應模型效能的度量PSNR,反應模型計算量的mult-adds，和模型引數量）處理超解析度。 我們還提出了一種基於混合控制器的微觀和巨集觀層面的彈性搜尋策略，該控制器利用進化計算和強化學習方法提升模型效能。 實驗證明本文方法自動設計的模型在計算量可比較的模型中達到了最先進方法。
SR的神經架構
與state-of-the-art方法的精度比較
在計算量可比較的模型中，該文提出的方法精度更高
論文地址：
https://arxiv.org/pdf/1901.07261v2.pdf
程式碼地址：
https://github.com/falsr/FALSR
可惜的是，官方並沒有公開訓練程式碼。
最近，神經架構搜尋研究和應用的論文越來越多，這是要替換掉演算法工程師的節奏，更有人斷言將來各種任務中最好的模型一定來自機器設計的模型！小米的這篇論文，在影象超分辨工程應用領域機器已經把演算法工程師比下去了！
加群交流
關注計算機視覺與機器學習技術，歡迎加入52CV群，掃碼新增52CV君拉你入群，
（ 請務必註明:52CV ）
喜歡在QQ交流的童鞋，可以加52CV官方 QQ群 ：928997753。
（不會時時線上，如果沒能及時通過驗證還請見諒）
更多CV技術乾貨請瀏覽：
長按關注 我愛計算機視覺
給我一個好看吧 ！