【IEEETII】工业应用中轻量级单图像超分辨率的渐进交互学习网络
最近，基于深度学习（DL）的工业应用由于其先进的性能而引起了广泛的关注。然而，便携式设备中有限的计算资源总是使大型DL模型在行业中不适用。基于DL的单图像超分辨率由于计算量大，也遇到了这个问题。此外，大多数基于轻量级卷积神经网络的方法没有充分利用特征，这限制了它们进行工业重构的能力。为了缓解这个问题，我们提出了一个渐进交互学习网络（PILN）来细化不同层次的特征：在全局层面，我们采用渐进交互学习策略来整合时间和空间维度的层次特征；在中介层面，强化互动学习单元，采用强化互动学习，显著提升重建绩效；在局部层面上，采用逐像素学习的方法，提取残差单元，通过权重分布来搜索最优信息流。大量实验表明，PILN优于其他最先进的方法。
