声明
致谢
摘要
表目录
图目录
1绪论
1．1研究背景和意义
1．2国内外研究现状
1．2．1 深度学习网络压缩加速研究现状
1．2．2单图像超分辨率技术研究现状
1．3本文研究内容
1．4本文组织结构
2相关技术概述
2．1超分辨率简介
2．1．1超分辨率问题模型
2．1．2单图像超分辨率评价指标
2．1．3单图像超分辨率数据集
2．2深度学习单图像超分辨率算法概述
2．2．1深度学习简介
2．2．2理论计算量评估方法
2．2．3单图像超分辨率网络
2．3深度学习网络压缩加速算法概述
2．3．1知识蒸馏算法
2．3．2剪枝算法
2．4相关工具软件简介
2．4．1训练测试框架
2．4．2 网络模型描述文件
2．4．3 GPU深度学习加速库
2．5本章小结
3单图像超分辨率网络压缩算法研发
3．1轻量级单图像超分辨率网络结构设计
3．1．1轻量级网络基线
3．1．2训练测试方案
3．1．3残差通道注意力模块数目设计
3．1．4卷积通道数设计
3．1．5卷积核尺寸设计
3．1．6基于卷积低秩分解的模块设计
3．1．7基于ShuffleNet v2的模块设计
3．1．8网络结构设计结果分析
3．2单图像超分辨率网络知识蒸馏算法设计
3．2．1基于教师重建结果监督的知识蒸馏算法设计
3．2．2基于教师特征图监督的知识蒸馏算法设计
3．2．3基于教师特征图与真实图像共同监督的知识蒸馏算法设计
3．2．4基于Rocket Launching方法的知识蒸馏算法设计
3．2．5知识蒸馏算法对比
3．3本章小结
4轻量级单图像超分辨事网络加速算法研发
4．1单图像超分辨率网络剪枝算法设计
4．1．1通道剪枝算法概述
4．1．2算法实现方案
4．1．3模块重要性评估
4．1．4整体剪枝算法设计
4．2单图像超分辨率网络GPU加速方案设计
4．2．1基于cudnn库的加速方案设计
4．2．2基于TensorRT的加速方案设计
4．2．3测试方案
4．2．4方案结果分析
4．3本章小结
5总结与展望
5．1总结
5．2展望
参考文献
作者简历
