轻量级图像增采样器DySample：计算资源需求小，有效提升图像分辨率「增量采集有几种方式」

9月1日 消息:DySample是一个超轻量级和有效的动态上采样器，是一种更简洁、更高效的方式，用于提升图像分辨率。相较于传统的CARAFE和SAPA方法，DySample对计算资源的需求更小，能够在不增加额外负担的情况下实现图像分辨率的提升。

项目地址:https://github.com/tiny-smart/dysample

尽管最近的基于内核的动态上采样器如CARAFE、FADE和SAPA取得了令人印象深刻的性能提升，但它们引入了大量的工作量，主要是由于时间消耗大的动态卷积和用于生成动态内核的额外子网络。 此外，FADE和SAPA对高分辨率特征的需求在一定程度上限制了它们的应用场景。

为了解决这些问题，研究人员绕过了动态卷积，并从点采样的角度来表述上采样，这更加节省资源并可以用PyTorch中的标准内置函数轻松实现。

与之前的基于内核的动态上采样相比，DySample不需要自定义的CUDA包，并且参数、FLOPs、GPU内存和延迟都要少得多。

除了轻量级的特点之外，DySample在五个密集预测任务（语义分割、目标检测、实例分割、全景分割和单目深度估计）中都优于其他上采样器。DySample的应用领域也更广泛，可以适用于各类图像处理任务，有效提升图像处理的效率和质量。