論文の概要: Adaptive Loss Function for Super Resolution Neural Networks Using Convex Optimization Techniques

• arxiv url: http://arxiv.org/abs/2001.07766v1
• Date: Tue, 21 Jan 2020 20:31:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-07 23:52:14.991099
• Title: Adaptive Loss Function for Super Resolution Neural Networks Using Convex Optimization Techniques
• Title（参考訳）: 凸最適化手法を用いた超解像ニューラルネットワークの適応損失関数
• Authors: Seyed Mehdi Ayyoubzadeh, Xiaolin Wu
• Abstract要約: Single Image Super-Resolution (SISR)タスクは、低解像度画像から対応する高解像度画像へのマッピングを学ぶことを指す。 CNNは、画像の高周波成分と低周波成分を学習することを奨励されている。 提案手法は, 画像の細部を復元し, 訓練過程において安定であることを示す。
• 参考スコア（独自算出の注目度）: 24.582559317893274
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single Image Super-Resolution (SISR) task refers to learn a mapping from low-resolution images to the corresponding high-resolution ones. This task is known to be extremely difficult since it is an ill-posed problem. Recently, Convolutional Neural Networks (CNNs) have achieved state of the art performance on SISR. However, the images produced by CNNs do not contain fine details of the images. Generative Adversarial Networks (GANs) aim to solve this issue and recover sharp details. Nevertheless, GANs are notoriously difficult to train. Besides that, they generate artifacts in the high-resolution images. In this paper, we have proposed a method in which CNNs try to align images in different spaces rather than only the pixel space. Such a space is designed using convex optimization techniques. CNNs are encouraged to learn high-frequency components of the images as well as low-frequency components. We have shown that the proposed method can recover fine details of the images and it is stable in the training process.
• Abstract（参考訳）: Single Image Super-Resolution (SISR)タスクは、低解像度画像から対応する高解像度画像へのマッピングを学ぶことを指す。 この課題は不適切な問題であるため非常に難しいことが知られている。 近年,畳み込みニューラルネットワーク(cnns)がsisrにおける技術性能の水準に達している。 しかし、CNNが生成した画像には画像の詳細は含まれていない。 generative adversarial networks (gans) はこの問題を解決し、鋭い詳細を回復することを目指している。 しかし、GANは訓練が難しいことで知られている。 さらに、高解像度画像にアーティファクトを生成する。 本稿では,cnnが画素空間のみでなく,異なる空間に画像を整列させようとする手法を提案する。 このような空間は凸最適化技術を用いて設計される。 CNNは、画像の高周波成分と低周波成分を学習することを奨励されている。 提案手法は,画像の細部を復元でき,訓練過程において安定であることを示す。

関連論文リスト

• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• T-former: An Efficient Transformer for Image Inpainting [50.43302925662507]
  トランスフォーマーと呼ばれる注目に基づくネットワークアーキテクチャのクラスは、自然言語処理の分野で大きなパフォーマンスを示している。 本稿では,Taylorの展開に応じて,解像度に線形に関連付けられた新たな注意を設計し,この注意に基づいて,画像インペイントのためのネットワークである$T$-formerを設計する。 いくつかのベンチマークデータセットの実験により,提案手法は比較的少ないパラメータ数と計算複雑性を維持しつつ,最先端の精度を達成できることが示されている。
  論文  参考訳（メタデータ） (2023-05-12T04:10:42Z)
• Improved Super Resolution of MR Images Using CNNs and Vision Transformers [5.6512908295414]
  視覚変換器(ViT)は、高品質なHR画像を生成するのに役立つ、より優れたグローバルコンテキストを学習する。 我々は、CNNのローカル情報とViTのグローバル情報を組み合わせることで、画像超解像と超解像を出力する。
  論文  参考訳（メタデータ） (2022-07-24T14:01:52Z)
• Image Super-resolution with An Enhanced Group Convolutional Neural Network [102.2483249598621]
  学習能力の強いCNNは、超解像問題を解くために広く選択されている。 浅層構造を持つ超解像群CNN(ESRGCNN)を提案する。 ESRGCNNは、SISRの性能、複雑さ、実行速度、画質評価およびSISRの視覚効果の観点から、最先端技術を上回っていると報告されている。
  論文  参考訳（メタデータ） (2022-05-29T00:34:25Z)
• Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
  本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。 我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。 提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2022-04-19T17:59:45Z)
• Deep Unrolled Network for Video Super-Resolution [0.45880283710344055]
  ビデオスーパーリゾリューション(VSR)は、対応する低リゾリューション(LR)バージョンから高リゾリューション(HR)画像のシーケンスを再構築することを目的としています。 伝統的に、VSR問題の解法は、画像形成や動きの仮定に関する事前知識を利用する反復アルゴリズムに基づいている。 ディープラーニング(DL)アルゴリズムは、大量の画像から空間パターンを効率的に学習できます。 未使用の最適化技術に基づく新しいVSRニューラルネットワークを提案し,その性能を議論する。
  論文  参考訳（メタデータ） (2021-02-23T14:35:09Z)
• Image Restoration by Deep Projected GSURE [115.57142046076164]
  Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。 本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-04T08:52:46Z)
• Neural Sparse Representation for Image Restoration [116.72107034624344]
  スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。 本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。 実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
  論文  参考訳（メタデータ） (2020-06-08T05:15:17Z)
• Self-supervised Fine-tuning for Correcting Super-Resolution Convolutional Neural Networks [17.922507191213494]
  完全自己教師型微調整アプローチにより、SR結果のトレーニングや修正を回避できることが示される。 我々は,複数の画像とビデオのSR CNNに微調整アルゴリズムを適用し,準最適SR解に対して精度良く修正可能であることを示す。
  論文  参考訳（メタデータ） (2019-12-30T11:02:58Z)

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。