Lightweighting of Super-Resolution Model Using Depth-Wise Separable Convolution

Abstract

초해상도는 저화질의 영상을 고화질의 영상으로 변환하는 과업으로, 무거운 연산을 활용하여 성능을 향상하는 연구에 비교적 집중되어 있다. 우리는 깊은 합성곱 신경망 기반 초해상도 모델을 다른 기술과 함께 사용하거나 모바일 환경에서 사용할 때, 모델의 경량화가 필요함을 인지하였다. 이에 따라 본 논문에서는 깊이별 분리 합성곱(Depth-wise Separable Convolution)을 활용하여, 최신 초해상도 모델인 MSRN(Multi-Scale Residual Network)을 경량화한 SMSRN(Separable Convolution Based Multi-Scale Residual Network)의 구조를 제안한다. SMSRN의 매개변수는 MSRN의 14.64% 수준으로 감량되었다. 반면에 다양한 벤치마크 데이터 집합에 대한 정량적 실험을 진행한 결과로 성능은 98.53%를 유지함을 보였으며, 정성적 실험 결과로 성능 저하를 확인하기 힘든 결과를 보였다. SMSRN은 다양한 합성곱 필터 크기를 사용한 구조이므로, 다양한 구조의 초해상도 모델에도 적용하여 경량화 할 수 있을 것으로 판단된다.

Related Papers

• → Function spaces andd-separability(2005)12 cited
• Deep Learning with Separable Convolutions(2016)
• → Multi-Residual Networks: Improving the Speed and Accuracy of Residual Networks(2016)40 cited
• → Lightweighting of Super-Resolution Model Using Depth-Wise Separable Convolution(2021)
• → Some Topological Properties of the Space of Probability Measures(2022)