近日，信息安全系党支部程述立老师团队“XJU_100th Ann”在计算机视觉领域最具影响力的顶级学术会议CVPR 2024的NTIRE赛事中取得了令人瞩目的成绩。这是新疆大学在计算机科学与技术学院在“高效率超分辨率挑战赛”中首次参赛，并夺得该挑战赛计算量分赛道冠军、参数量分赛道亚军，获奖模型(AGDN)论文已被CVPR Workshop 2024接收。

图1 获奖证书

NTIRE(New Trends in Image Restoration and Enhancement, NTIRE)由苏黎世联邦理工学院计算机视觉实验室与计算机视觉和模式识别领域全球顶级会议CVPR(IEEE Conference on Computer Vision and Pattern Recognition)共同举办，每年举办一次，今年是第九届比赛，该赛事是全球计算机图像恢复领域最具权威性和代表性的赛事。

图2 比赛官方图

高效率超分辨率挑战赛设置总体性能(Overall Performance) 主赛道和运行时间(Runtime)、计算量(FLOPs)、参数量(Parameters)三条分赛道。吸引了中国科学技术大学、南开大学、四川大学、国防科技大学等国内高校，华为、字节跳动、小米等科技公司组队参赛。共有来自全球学术界和工业界的34支队伍提交了有效结果，经过激烈角逐，信息安全系党支部“XJU_100th Ann”团队夺得该挑战赛计算量分赛道冠军，参数量分赛道亚军。

图3 模型结果图

在本次挑战赛中，“XJU_100th Ann”团队为了实现更轻量的计算量和参数量，提出了新型注意力引导蒸馏网络用于高效率超分辨率，即Attention Guidance Distillation Network (AGDN)。旨在克服传统注意力机制在网络结构复杂、模型尺寸较大等问题。

团队通过对以往研究的梳理和分析，发现深度特征提取阶段仍然是影响模型性能的关键限制因素。因此，AGDN通过改进多种注意力机制，包括空间注意、通道注意和自我注意。使这些注意机制在保持轻量化的同时引导网络更有效地选择关键信息，从而获得更好的重建结果，推动模型向轻量化和高效化的方向发展。AGDN在多个基准测试集中表现出色，不仅在图像质量和结构相似性(PSNR/SSIM)上超越了现有的高效超分辨率模型，还保持较低的计算量和参数量。

基于上述方法，新疆大学“XJU_100th Ann”团队在34支队伍的激烈竞争中脱颖而出，夺得该挑战赛计算量分赛道冠军，参数量分赛道亚军。并受邀在CVPR 2024 NTIRE研讨会上进行口头报告和海报展示。

图4 口头报告及海报展示

参考文献：

[1] Hongyuan Wang, Ziyan Wei, Qingting Tang, Shuli Cheng*, Liejun Wang*, Yongming Li. Attention Guidance Distillation Network for Efficient Image Super-Resolution. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2024: 6287-6296.

[2] Ren B, Li Y, Mehta N, et al. The ninth NTIRE 2024 efficient super-resolution challenge report. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2024: 6595-6631.

[3] H. Wang, S. Cheng*, Y. Li, et al. "Lightweight Remote-Sensing Image Super-Resolution via Attention-Based Multilevel Feature Fusion Network," in IEEE Transactions on Geoscience and Remote Sensing, 2023, 61: 1-15.