【TPAMI2023】Global Learnable Attention for Single Image Super-Resolution
代码:https://github.com/laoyangui/DLSN
这是来自福州大学的工作,提出一个有意思的观点:当前方法大多使用 non-local attention 来计算图像块之间的相似性,而且认为与query更为相似的图像块能够提供更丰富的信息,但是作者认为并不总是这样。如下图所示, 当query严重损坏时,查询到高相似度的图像块就不能提供有效的重建信息,但是低相似度的图像块却能提供丰富的信息。
为了解决上面的问题,作者提出了一个 Global Learnable Attention 模块(下图右下角绿框中的部分)。GLA可以动态的调整特征间的相似性,同时因为使用了Locality-Sensitive Hashing,降低了计算的复杂度。
作者写了一个算法,将整个过程描述的比较清晰:
论文有一个实验很有趣,如下图所示,使用LSS的时候,就能够动态的找到真正具有相似纹理以及信息比较强的区域。其它实验可以参考作者论文,这里不过多介绍。
标签:Global,TPAMI2023,Learnable,Super,Attention,Resolution From: https://www.cnblogs.com/gaopursuit/p/17068356.html