論文の概要: ESRGAN+ : Further Improving Enhanced Super-Resolution Generative Adversarial Network

• arxiv url: http://arxiv.org/abs/2001.08073v2
• Date: Wed, 15 Jul 2020 10:15:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-08 00:39:08.544873
• Title: ESRGAN+ : Further Improving Enhanced Super-Resolution Generative Adversarial Network
• Title（参考訳）: ESRGAN+ : 超解像生成対向ネットワークのさらなる改善
• Authors: Nathana\"el Carraz Rakotonirina, Andry Rasoanaivo
• Abstract要約: ESRGAN (Enhanced Super-Resolution Generative Adversarial Network) は、単一画像の超解像に対する知覚駆動型アプローチである。 発電機ネットワークにノイズインプットを導入し,変動を生かした。 結果として得られるイメージは、より現実的なテクスチャを示します。
• 参考スコア（独自算出の注目度）: 2.4366811507669124
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Enhanced Super-Resolution Generative Adversarial Network (ESRGAN) is a perceptual-driven approach for single image super resolution that is able to produce photorealistic images. Despite the visual quality of these generated images, there is still room for improvement. In this fashion, the model is extended to further improve the perceptual quality of the images. We have designed a novel block to replace the one used by the original ESRGAN. Moreover, we introduce noise inputs to the generator network in order to exploit stochastic variation. The resulting images present more realistic textures. The code is available at https://github.com/ncarraz/ESRGANplus .
• Abstract（参考訳）: ESRGAN(Enhanced Super-Resolution Generative Adversarial Network)は、単一画像の超解像に対する知覚駆動型アプローチである。 これらの画像の視覚的な品質にもかかわらず、改善の余地はまだある。 この方法では、画像の知覚品質をさらに向上するためにモデルを拡張する。 私たちは、オリジナルのesrganで使われるものを置き換えるために、新しいブロックを設計しました。 さらに, 確率的変動を生かすために, 発生器ネットワークにノイズ入力を導入する。 その結果、より現実的なテクスチャが生まれる。 コードはhttps://github.com/ncarraz/ESRGANplusで公開されている。

関連論文リスト

• HAT: Hybrid Attention Transformer for Image Restoration [61.74223315807691]
  トランスフォーマーに基づく手法は、画像の超解像や復調といった画像復元タスクにおいて顕著な性能を示している。 本稿では,新たなHAT(Hybrid Attention Transformer)を提案する。 我々のHATは,定量的かつ定性的に,最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-09-11T05:17:55Z)
• StarSRGAN: Improving Real-World Blind Super-Resolution [0.0]
  コンピュータビジョンにおける視覚超解像(SR)の目的は、画像の低解像度化の原因となる劣化過程を事前に知ることなく、画像の解像度を改善することである。 State of the Art (SOTA)モデルであるReal-ESRGANは知覚障害を進行させ、視覚的に説得力のある結果をもたらす。 本稿では,視覚超解像タスク用に設計された新しいGANモデルであるStarSRGANを紹介する。
  論文  参考訳（メタデータ） (2023-07-30T08:34:30Z)
• RBSR: Efficient and Flexible Recurrent Network for Burst Super-Resolution [57.98314517861539]
  バースト超解像(BurstSR)は、高解像度(HR)画像を低解像度(LR)画像と雑音画像から再構成することを目的としている。 本稿では,効率よくフレキシブルなリカレントネットワークでフレーム単位のキューを融合させることを提案する。
  論文  参考訳（メタデータ） (2023-06-30T12:14:13Z)
• A Simple and Effective Baseline for Attentional Generative Adversarial Networks [8.63558211869045]
  テキスト記述を通して生成モデルを導くことで高品質な画像のテキスト・ツー・イメージモデルを構築することは革新的で挑戦的な課題である。 近年、GANトレーニングをガイドするAttnGAN、SD-GAN、Stack-GAN++が提案されている。 我々は,AttnGANの冗長構造を除去し,バックボーンネットワークを改善するために,一般的なシンプルで効果的なアイデア(1)を用いる。 モデルの性能が変化しないことを保証しながら、モデルのサイズとトレーニング効率を大幅に改善しました。
  論文  参考訳（メタデータ） (2023-06-26T13:55:57Z)
• Improved Image Generation via Sparse Modeling [27.66648389933265]
  生成器は、Convolutional Sparse Coding (CSC) とそのMulti-Layeredバージョン (ML-CSC) 合成プロセスの発現として見ることができる。 この観測は、発電機内の適切な選択された活性化層にスパーシファイング正規化を明示的に強制することによって活用する。
  論文  参考訳（メタデータ） (2021-04-01T13:52:40Z)
• GLEAN: Generative Latent Bank for Large-Factor Image Super-Resolution [85.53811497840725]
  我々は,大因子画像超解像(SR)の復元品質を向上させるために,GAN(Generative Adversarial Networks),例えばStyleGAN(StyleGAN)が潜時バンクとして使用できることを示す。 我々の手法であるGenerative LatEnt bANk(GLEAN)は、事前訓練されたGANにカプセル化されているリッチで多様な事前情報を直接活用することで、既存のプラクティスを越えている。 GLEANによってアップスケールされた画像は、既存の方法と比較して忠実さとテクスチャ忠実さの点で明らかに改善されている。
  論文  参考訳（メタデータ） (2020-12-01T18:56:14Z)
• Image Augmentations for GAN Training [57.65145659417266]
  我々は,バニラGANとGANの両方のイメージを正規化して拡張する方法に関する洞察とガイドラインを提供する。 意外なことに、Vanilla GANsは、最近の最先端の結果と同等の世代品質を実現している。
  論文  参考訳（メタデータ） (2020-06-04T00:16:02Z)
• Residual Channel Attention Generative Adversarial Network for Image Super-Resolution and Noise Reduction [14.217260022873083]
  深層ネットワークが深まるにつれて、トレーニングが難しくなり、より細かいテクスチャの詳細を復元することが難しくなります。 本稿では,これらの問題を解決するために,Residual Channel Attention-Generative Adversarial Network (RCA-GAN)を提案する。 RCA-GANは、ベースラインモデルよりも細部と自然なテクスチャで、常に視覚的品質が向上する。
  論文  参考訳（メタデータ） (2020-04-28T17:23:46Z)
• Unsupervised Real Image Super-Resolution via Generative Variational AutoEncoder [47.53609520395504]
  古典的な例に基づく画像超解法を再考し、知覚的画像超解法のための新しい生成モデルを考案する。 本稿では,変分オートエンコーダを用いた共同画像デノベーションと超解像モデルを提案する。 判別器の助けを借りて、超分解能サブネットワークのオーバーヘッドを加味して、分解された画像をフォトリアリスティックな視覚的品質で超解凍する。
  論文  参考訳（メタデータ） (2020-04-27T13:49:36Z)
• A U-Net Based Discriminator for Generative Adversarial Networks [86.67102929147592]
  GAN(Generative Adversarial Network)のための代替U-Netベースの識別器アーキテクチャを提案する。 提案アーキテクチャにより,合成画像のグローバルコヒーレンスを維持しつつ,画素単位の詳細なフィードバックを生成元に提供することができる。 斬新な判別器は、標準分布と画像品質の指標の観点から、最先端の技術を向上する。
  論文  参考訳（メタデータ） (2020-02-28T11:16:54Z)

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。