文章摘要:目前，部分基于深度学习的图像超分辨率重建算法通过扩展网络层的深度来提高网络模型的整体特征表达能力。但是，一味过度地扩展网络的深度会造成网络模型过参数化和复杂化，并且冗余的网络参数会提高特征表达的不稳定性。为此，提出了一种适用于图像超分辨率任务的基于均衡学习策略的神经网络非结构化剪枝算法，称之为RLTH剪枝算法。在不改变网络结构和不增加计算复杂度的前提下，通过搜索原始网络模型的最优的稀疏子网络来排除冗余的参数所带来的影响，进而提高网络模型的整体特征表达能力。实验结果表明，所提出的RLTH剪枝算法应用在图像超分辨率任务的网络模型上能够显著地提高重建图像的质量。

文章关键词:

项目基金: