Fugu-MT 論文翻訳(概要): Image Restoration Using Deep Regulated Convolutional Networks

論文の概要: Image Restoration Using Deep Regulated Convolutional Networks

arxiv url: http://arxiv.org/abs/1910.08853v2
Date: Fri, 21 Jun 2024 18:35:46 GMT
ステータス: 処理完了
システム内更新日: 2024-07-23 02:37:22.269789
Title: Image Restoration Using Deep Regulated Convolutional Networks
Title（参考訳）: 深部制御畳み込みネットワークを用いた画像復元
Authors: Peng Liu, Xiaoxiao Zhou, Yangjunyi Li, El Basha Mohammad D, Ruogu Fang,
Abstract要約: 提案するDeep Regulated Convolutional Network (RC-Net) は,スキップ接続による制御サブネットワークブロックで構成されるディープネットワークである。 RC-Netは、大きなフィルターの組み合わせによって多彩な特徴を取り入れ、ぼやけた境界を緩和し、画像のデノイングや超解像問題における詳細をぼやけたディテールを緩和するなど、いくつかの魅力的な利点がある。提案するRC-Netsは,様々な画像復元作業において高い性能向上を達成しつつ,有望な一般化能力を示しながら,最先端の手法よりも優れていた。
参考スコア（独自算出の注目度）: 2.608905180175928
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: While the depth of convolutional neural networks has attracted substantial attention in the deep learning research, the width of these networks has recently received greater interest. The width of networks, defined as the size of the receptive fields and the density of the channels, has demonstrated crucial importance in low-level vision tasks such as image denoising and restoration. However, the limited generalization ability, due to the increased width of networks, creates a bottleneck in designing wider networks. In this paper, we propose the Deep Regulated Convolutional Network (RC-Net), a deep network composed of regulated sub-network blocks cascaded by skip-connections, to overcome this bottleneck. Specifically, the Regulated Convolution block (RC-block), featured by a combination of large and small convolution filters, balances the effectiveness of prominent feature extraction and the generalization ability of the network. RC-Nets have several compelling advantages: they embrace diversified features through large-small filter combinations, alleviate the hazy boundary and blurred details in image denoising and super-resolution problems, and stabilize the learning process. Our proposed RC-Nets outperform state-of-the-art approaches with significant performance gains in various image restoration tasks while demonstrating promising generalization ability. The code is available at https://github.com/cswin/RC-Nets.
Abstract（参考訳）: 畳み込みニューラルネットワークの深さは、ディープラーニング研究において大きな注目を集めているが、これらのネットワークの幅は近年より注目されている。受容野の大きさとチャネルの密度として定義されたネットワークの幅は、画像の復調や復元といった低レベルの視覚タスクにおいて重要な役割を担っている。しかし、ネットワーク幅の増大により、限られた一般化能力により、より広いネットワークを設計する際のボトルネックが生じる。本稿では,このボトルネックを克服するために,スキップ接続による制御サブネットワークブロックからなるディープネットワークであるDeep Regulated Convolutional Network (RC-Net)を提案する。具体的には、大きな畳み込みフィルタと小さな畳み込みフィルタを組み合わせたRCブロック(Regulation Convolution block)は、特徴抽出の有効性とネットワークの一般化能力のバランスをとる。 RC-Netは、大きなフィルターの組み合わせによって多彩な特徴を取り入れ、曖昧な境界を緩和し、画像のデノイングや超解像問題における詳細を曖昧にし、学習プロセスを安定化するなど、いくつかの魅力的な利点がある。提案するRC-Netsは,様々な画像復元タスクにおいて高い性能向上を達成しつつ,有望な一般化能力を示しながら,最先端の手法よりも優れていた。コードはhttps://github.com/cswin/RC-Nets.comで公開されている。

関連論文リスト

TBSN: Transformer-Based Blind-Spot Network for Self-Supervised Image Denoising [94.09442506816724]
BSN(Blind-spot Network)は、自己教師型イメージデノベーション(SSID)において一般的なネットワークアーキテクチャである。本稿では, ブラインドスポット要求を満たす変圧器演算子の解析と再設計により, 変圧器ベースブラインドスポットネットワーク(TBSN)を提案する。空間的自己注意のために、注意行列に精巧なマスクを適用して受容場を制限し、拡張された畳み込みを模倣する。チャネル自己アテンションについては,マルチスケールアーキテクチャの深層部において,チャネル数が空間的サイズよりも大きい場合,盲点情報を漏洩する可能性がある。
論文参考訳（メタデータ） (2024-04-11T15:39:10Z)
RDRN: Recursively Defined Residual Network for Image Super-Resolution [58.64907136562178]
深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像において顕著な性能を得た。本稿では,注目ブロックを効率的に活用する新しいネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-11-17T11:06:29Z)
Rethinking Performance Gains in Image Dehazing Networks [25.371802581339576]
我々は、コンパクトなデハージングネットワークを得るために、人気のあるU-Netに最小限の変更を加えている。具体的には、U-Netの畳み込みブロックをゲーティング機構で残余ブロックに置き換える。オーバーヘッドが大幅に削減されているため、gUNetは複数のイメージデハージングデータセットの最先端メソッドよりも優れている。
論文参考訳（メタデータ） (2022-09-23T07:14:48Z)
Structured Sparsity Learning for Efficient Video Super-Resolution [99.1632164448236]
我々は、ビデオ超解像(VSR)モデルの特性に応じて、構造化スパシティ学習(SSL)と呼ばれる構造化プルーニング手法を開発する。 SSLでは,残差ブロック,リカレントネットワーク,アップサンプリングネットワークなど,VSRモデルのいくつかの重要なコンポーネントに対するプルーニングスキームを設計する。
論文参考訳（メタデータ） (2022-06-15T17:36:04Z)
SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
論文参考訳（メタデータ） (2022-05-31T15:55:37Z)
Deep Learning without Shortcuts: Shaping the Kernel with Tailored Rectifiers [83.74380713308605]
我々は、ReLUの変種であるLeaky ReLUsと完全に互換性のある新しいタイプの変換を開発する。実験では,ResNetsと競合する深層バニラネットワークによる検証精度を考慮し,計算コストを考慮しない手法を提案する。
論文参考訳（メタデータ） (2022-03-15T17:49:08Z)
Image Superresolution using Scale-Recurrent Dense Network [30.75380029218373]
畳み込みニューラルネットワーク(CNN)の設計の最近の進歩は、画像超解像(SR)の性能を大幅に向上させた。残差ブロック内の一連の密接な接続を含む単位上に構築されたスケールリカレントSRアーキテクチャを提案する(Residual Dense Blocks (RDBs))。我々のスケールリカレント設計は、現在の最先端のアプローチに比べてパラメトリックに効率的でありながら、より高いスケール要因の競合性能を提供する。
論文参考訳（メタデータ） (2022-01-28T09:18:43Z)
Deep Networks for Image and Video Super-Resolution [30.75380029218373]
単一画像超解像(SISR)は、MDCB(Mixed-Dense connection block)と呼ばれる効率的な畳み込みユニットを用いて構築される。ネットワークの2つのバージョンをトレーニングし、異なる損失構成を用いて相補的な画像品質を向上させる。ネットワークは複数のフレームから情報を集約し,時間的整合性を維持するために学習する。
論文参考訳（メタデータ） (2022-01-28T09:15:21Z)
DDCNet: Deep Dilated Convolutional Neural Network for Dense Prediction [0.0]
受容場(ERF)とネットワーク内の空間的特徴の高分解能は、高分解能密度推定を提供することに不可欠である。空間的特徴の解像度を高く保ちながら、より大きな受容場を提供できるネットワークアーキテクチャを設計するための体系的なアプローチを提案する。
論文参考訳（メタデータ） (2021-07-09T23:15:34Z)
Asymmetric CNN for image super-resolution [102.96131810686231]
深層畳み込みニューラルネットワーク(CNN)は、過去5年間で低レベルビジョンに広く適用されています。画像超解像のための非対称ブロック(AB)、mem?ory拡張ブロック(MEB)、高周波数特徴強調ブロック(HFFEB)からなる非対称CNN(ACNet)を提案する。我々のACNetは、ブラインドノイズの単一画像超解像(SISR)、ブラインドSISR、ブラインドSISRを効果的に処理できる。
論文参考訳（メタデータ） (2021-03-25T07:10:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。