Enhanced Multi-Scale Network for Single Image Super-Resolution
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The field of single-image super-resolution (SISR) has seen significant advancements with the emergence of deep convolutional neural networks, where residual learning techniques have contributed to notable improvements in reconstruction quality. Among these approaches, SwinIR [1], a Transformer-based model, has demonstrated impressive performance by leveraging hierarchical self-attention mechanisms to capture both local fine-grained structures and global contextual dependencies. However, improving image quality while maintaining computational efficiency remains a key challenge. To address this, we propose a multi-scale SwinIR inception-based network, an enhanced SISR framework that draws inspiration from the Inception module to refine feature extraction across multiple scales without introducing significant computational overhead due to the complexity of the network architecture. Instead of directly implementing the Inception module, we adopt its core idea of parallel multi-scale processing, where multiple convolutional layers with different receptive fields operate simultaneously to extract spatial features at varying scales. This strategic enhancement significantly improves PSNR over the original SwinIR model while increasing the parameter count by only 65K. Our model integrates hierarchical self-attention with multiscale feature extraction to strengthen the representation of structural details in low-resolution images. Experimental results demonstrate that EMS(Enhanced multi-scale network) consistently outperforms state-of-the-art SISR models across multiple benchmark datasets, delivering improved visual fidelity and superior quantitative performance without a significant increase in computational complexity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle