論文の概要: Multi-Level Feature Fusion Mechanism for Single Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2002.05962v1
• Date: Fri, 14 Feb 2020 10:47:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-01 05:07:04.961576
• Title: Multi-Level Feature Fusion Mechanism for Single Image Super-Resolution
• Title（参考訳）: 単一画像超解像のためのマルチレベル特徴融合機構
• Authors: Jiawen Lyn
• Abstract要約: 畳み込みニューラルネットワーク(CNN)は、Single Image Super Resolution(SISR)で広く使われている。 CNNに基づくほとんどのSISRメソッドは階層的特徴とネットワークの学習能力を十分に利用していない。 グローバルな中間機能を完全に活用できるMLRN(Multi-Level Feature Fusion Network)が提案されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolution neural network (CNN) has been widely used in Single Image Super Resolution (SISR) so that SISR has been a great success recently. As the network deepens, the learning ability of network becomes more and more powerful. However, most SISR methods based on CNN do not make full use of hierarchical feature and the learning ability of network. These features cannot be extracted directly by subsequent layers, so the previous layer hierarchical information has little impact on the output and performance of subsequent layers relatively poor. To solve above problem, a novel Multi-Level Feature Fusion network (MLRN) is proposed, which can take full use of global intermediate features. We also introduce Feature Skip Fusion Block (FSFblock) as basic module. Each block can be extracted directly to the raw multiscale feature and fusion multi-level feature, then learn feature spatial correlation. The correlation among the features of the holistic approach leads to a continuous global memory of information mechanism. Extensive experiments on public datasets show that the method proposed by MLRN can be implemented, which is favorable performance for the most advanced methods.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、Single Image Super Resolution(SISR)で広く使われているため、SISRは近年大きな成功を収めている。 ネットワークが深まるにつれて、ネットワークの学習能力はますます強力になる。 しかし、CNNに基づくSISR手法の多くは階層的特徴とネットワークの学習能力を完全に活用していない。 これらの特徴は、後続のレイヤによって直接抽出できないため、前のレイヤ階層情報は、後続のレイヤの出力と性能にほとんど影響を与えない。 この問題を解決するために,グローバルな中間機能を完全に活用可能なMLRN(Multi-Level Feature Fusion Network)を提案する。 また、基本モジュールとしてFeature Skip Fusion Block (FSFblock)を導入します。 各ブロックは、生のマルチスケール特徴と融合マルチレベル特徴に直接抽出し、特徴空間相関を学習することができる。 全体論的アプローチの特徴間の相関は、情報機構の連続的グローバルメモリにつながる。 公開データセットに対する大規模な実験により,MLRNが提案する手法が実装可能であることが判明した。

関連論文リスト

• 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)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• Lightweight Single-Image Super-Resolution Network with Attentive Auxiliary Feature Learning [73.75457731689858]
  本稿では,SISR の注意補助機能 (A$2$F) に基づく計算効率が高く正確なネットワークを構築した。 大規模データセットを用いた実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-11-13T06:01:46Z)
• Sequential Hierarchical Learning with Distribution Transformation for Image Super-Resolution [83.70890515772456]
  画像SRのための逐次階層学習型超解像ネットワーク(SHSR)を構築した。 特徴のスケール間相関を考察し、階層的情報を段階的に探索するシーケンシャルなマルチスケールブロック(SMB)を考案する。 実験結果から,SHSRは最先端手法に優れた定量的性能と視覚的品質が得られることが示された。
  論文  参考訳（メタデータ） (2020-07-19T01:35:53Z)
• Global Context-Aware Progressive Aggregation Network for Salient Object Detection [117.943116761278]
  我々は,低レベルな外観特徴,高レベルな意味特徴,グローバルな文脈特徴を統合化するための新しいネットワークGCPANetを提案する。 提案手法は, 定量的かつ定性的に, 最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-02T04:26:10Z)
• Dense Residual Network: Enhancing Global Dense Feature Flow for Character Recognition [75.4027660840568]
  本稿では,すべての畳み込み層から階層的特徴をフルに活用することにより,局所的・大域的特徴フローを改善する方法について検討する。 技術的には、テキスト認識のための効率的で効果的なCNNフレームワークであるFDRN(Fast Dense Residual Network)を提案する。
  論文  参考訳（メタデータ） (2020-01-23T06:55:08Z)

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。