論文の概要: Learning to Zoom-in via Learning to Zoom-out: Real-world Super-resolution by Generating and Adapting Degradation

• arxiv url: http://arxiv.org/abs/2001.02381v1
• Date: Wed, 8 Jan 2020 05:17:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 12:47:01.669438
• Title: Learning to Zoom-in via Learning to Zoom-out: Real-world Super-resolution by Generating and Adapting Degradation
• Title（参考訳）: ズームアウト学習によるズームインへの学習:分解生成と適応による実世界超解像
• Authors: Dong Gong, Wei Sun, Qinfeng Shi, Anton van den Hengel, Yanning Zhang
• Abstract要約: 本稿では,SR を任意の LR と HR 画像から学習するためのフレームワークを提案する。 我々は、劣化適応SRネットワークを学習しながら、生成されたデータと実データとの差を最小限にする。 提案手法は,ペア学習法をより好むデータセットであっても,実世界の画像上での最先端のSR結果を実現する。
• 参考スコア（独自算出の注目度）: 91.40265983636839
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most learning-based super-resolution (SR) methods aim to recover high-resolution (HR) image from a given low-resolution (LR) image via learning on LR-HR image pairs. The SR methods learned on synthetic data do not perform well in real-world, due to the domain gap between the artificially synthesized and real LR images. Some efforts are thus taken to capture real-world image pairs. The captured LR-HR image pairs usually suffer from unavoidable misalignment, which hampers the performance of end-to-end learning, however. Here, focusing on the real-world SR, we ask a different question: since misalignment is unavoidable, can we propose a method that does not need LR-HR image pairing and alignment at all and utilize real images as they are? Hence we propose a framework to learn SR from an arbitrary set of unpaired LR and HR images and see how far a step can go in such a realistic and "unsupervised" setting. To do so, we firstly train a degradation generation network to generate realistic LR images and, more importantly, to capture their distribution (i.e., learning to zoom out). Instead of assuming the domain gap has been eliminated, we minimize the discrepancy between the generated data and real data while learning a degradation adaptive SR network (i.e., learning to zoom in). The proposed unpaired method achieves state-of-the-art SR results on real-world images, even in the datasets that favor the paired-learning methods more.
• Abstract（参考訳）: ほとんどの学習ベース超解像(SR)法は、LR-HR画像対の学習を通して与えられた低分解能(LR)画像から高分解能(HR)画像を復元することを目的としている。 合成データで学習したsr法は,人工合成画像と実lr画像との領域ギャップのため実世界ではうまく機能しない。 そのため、現実のイメージペアをキャプチャするためにいくつかの努力がなされている。 しかし、キャプチャーされたLR-HRイメージペアは通常、避けられないミスアライメントに悩まされ、エンド・ツー・エンド・ラーニングのパフォーマンスを損なう。 ここでは、現実のSRに着目して、異なる疑問を呈する:誤調整は避けられないので、LR-HR画像のペアリングとアライメントを全く必要とせず、実際の画像をそのまま活用できる方法を提案することができるか? そこで我々は,lrとhr画像の任意のセットからsrを学習し,そのような現実的で「教師なし」な設定でステップがどこまで進むかを確認するためのフレームワークを提案する。 そのために,まず劣化生成ネットワークを訓練し,現実的なlr画像を生成し,さらに重要なこととして,その分布(つまりズームアウトの学習)をキャプチャする。 ドメインギャップが排除されたと仮定する代わりに、劣化適応SRネットワーク(すなわちズームインの学習)を学習しながら、生成されたデータと実際のデータとの差を最小限にする。 提案手法は,ペア学習を好むデータセットにおいても,実世界の画像に対して最先端のsr結果が得られる。

関連論文リスト

• Unveiling Hidden Details: A RAW Data-Enhanced Paradigm for Real-World Super-Resolution [56.98910228239627]
  リアル・ワールド・イメージ・スーパーレゾリューション(Real SR)は、低解像度(LR)画像から高忠実でディテールに富んだ高解像度(HR)画像を生成することを目的としている。 既存のReal SRメソッドは主にLR RGBドメインから詳細を生成することに重点を置いており、しばしば細部における豊かさや忠実さの欠如につながっている。 RAWデータに隠された詳細を用いて既存のRGBのみの手法を補完し、優れた出力を得る。
  論文  参考訳（メタデータ） (2024-11-16T13:29:50Z)
• Enhanced Super-Resolution Training via Mimicked Alignment for Real-World Scenes [51.92255321684027]
  トレーニング中、LR入力とHR画像の整列により、誤調整問題を緩和する新しいプラグアンドプレイモジュールを提案する。 具体的には,従来のLR試料の特徴を保ちながらHRと整合する新しいLR試料を模倣する。 本手法を合成および実世界のデータセット上で総合的に評価し,SRモデルのスペクトル間での有効性を実証した。
  論文  参考訳（メタデータ） (2024-10-07T18:18:54Z)
• Learning Many-to-Many Mapping for Unpaired Real-World Image Super-resolution and Downscaling [60.80788144261183]
  実世界のLR画像とHR画像の双方向多対多マッピングを教師なしで同時に学習するSDFlowと呼ばれる画像ダウンスケーリングとSRモデルを提案する。 実世界の画像SRデータセットによる実験結果から,SDFlowは定量的かつ定性的に,多様な現実的なLRとSRの画像を生成可能であることが示唆された。
  論文  参考訳（メタデータ） (2023-10-08T01:48:34Z)
• Real-World Image Super-Resolution by Exclusionary Dual-Learning [98.36096041099906]
  実世界の画像超解像は,高品質な画像を得るための実用的な画像復元問題である。 深層学習に基づく手法は、現実世界の超解像データセットの復元に期待できる品質を実現している。 本稿では,RWSR-EDL(Real-World Image Super-Resolution by Exclusionary Dual-Learning)を提案する。
  論文  参考訳（メタデータ） (2022-06-06T13:28:15Z)
• Benefiting from Bicubically Down-Sampled Images for Learning Real-World Image Super-Resolution [22.339751911637077]
  我々は、この不適切な問題を2つの比較的よく提示されたステップに分割することで、現実世界のSRを扱うことを提案する。 まず、実LR画像を教師付きで双対的にダウンサンプリングされた画像の空間に変換するネットワークを訓練する。 次に,2次元ダウンサンプル画像に基づいて学習した汎用SRネットワークを用いて,変換されたLR画像の超解像を行う。
  論文  参考訳（メタデータ） (2020-07-06T20:27:58Z)
• Unsupervised Real-world Image Super Resolution via Domain-distance Aware Training [33.568321507711396]
  本稿では,教師なし実世界画像SRのための新しいドメイン距離対応超解像(DASR)手法を提案する。 提案手法は, 合成および実データを用いて検証し, 実験結果から, DASRは最先端の教師なしSRアプローチより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-04-02T17:59:03Z)
• Closed-loop Matters: Dual Regression Networks for Single Image Super-Resolution [73.86924594746884]
  ディープニューラルネットワークは、画像超解像において有望な性能を示した。 これらのネットワークは、低分解能(LR)画像から高分解能(HR)画像への非線形マッピング関数を学習する。 本稿では,可能な関数の空間を削減するために,LRデータに新たな制約を導入することで,二重回帰手法を提案する。
  論文  参考訳（メタデータ） (2020-03-16T04:23:42Z)

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。