論文の概要: Meta-Transfer Learning for Zero-Shot Super-Resolution
- arxiv url: http://arxiv.org/abs/2002.12213v1
- Date: Thu, 27 Feb 2020 16:01:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-28 08:59:31.294941
- Title: Meta-Transfer Learning for Zero-Shot Super-Resolution
- Title(参考訳): ゼロショット超解法のメタトランスファー学習
- Authors: Jae Woong Soh, Sunwoo Cho, Nam Ik Cho
- Abstract要約: ゼロショット超解法(MZSR)のためのメタトランスファー学習を提案する。
これは、内部学習に適した一般的な初期パラメータを見つけることに基づいている。
本手法は, 高速適応プロセスにおいて, 画像条件の広いスペクトルに適用可能である。
- 参考スコア(独自算出の注目度): 18.81349362693023
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Convolutional neural networks (CNNs) have shown dramatic improvements in
single image super-resolution (SISR) by using large-scale external samples.
Despite their remarkable performance based on the external dataset, they cannot
exploit internal information within a specific image. Another problem is that
they are applicable only to the specific condition of data that they are
supervised. For instance, the low-resolution (LR) image should be a "bicubic"
downsampled noise-free image from a high-resolution (HR) one. To address both
issues, zero-shot super-resolution (ZSSR) has been proposed for flexible
internal learning. However, they require thousands of gradient updates, i.e.,
long inference time. In this paper, we present Meta-Transfer Learning for
Zero-Shot Super-Resolution (MZSR), which leverages ZSSR. Precisely, it is based
on finding a generic initial parameter that is suitable for internal learning.
Thus, we can exploit both external and internal information, where one single
gradient update can yield quite considerable results. (See Figure 1). With our
method, the network can quickly adapt to a given image condition. In this
respect, our method can be applied to a large spectrum of image conditions
within a fast adaptation process.
- Abstract(参考訳): 畳み込みニューラルネットワーク(cnns)は、大規模外部サンプルを用いてシングルイメージスーパーレゾリューション(sisr)を劇的に改善した。
外部データセットに基づく顕著なパフォーマンスにもかかわらず、特定の画像内の内部情報を活用できない。
もう一つの問題は、それらが管理されているデータの特定の条件にのみ適用可能であることである。
例えば、低分解能(LR)画像は高分解能(HR)画像からの「バイコビック」なノイズフリー画像であるべきである。
両方の問題に対処するため、柔軟な内部学習のためにゼロショットスーパーレゾリューション(zssr)が提案されている。
しかし、それらは数千の勾配更新、すなわち長い推論時間を必要とする。
本稿では,ZSSRを利用したゼロショット超解法(MZSR)のためのメタトランスファー学習を提案する。
正確には、内部学習に適した一般的な初期パラメータを見つけることに基づいている。
したがって、単一の勾配更新でかなりの結果が得られる外部情報と内部情報の両方を利用することができる。
(第1図参照)
提案手法により,ネットワークは所定の画像条件に迅速に適応できる。
この点において、本手法は高速適応プロセスにおいて、多数の画像条件に適用することができる。
関連論文リスト
- 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) - From General to Specific: Online Updating for Blind Super-Resolution [9.203416129039871]
超解像学習のためのオンライン超解像法(ONSR)を提案する。
ONSRは2つの枝、すなわち内枝(IB)と外枝(EB)から成る。
IBは与えられた試験LR画像の特定の劣化を学習することができ、EBは学習した劣化によって劣化した画像の超解像を学習することができた。
このように、ONSRはテスト画像ごとに特定のモデルをカスタマイズできるため、実際のアプリケーションの様々な劣化に対してより寛容になる可能性がある。
論文 参考訳(メタデータ) (2021-07-06T05:25:16Z) - 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) - Cross-Scale Internal Graph Neural Network for Image Super-Resolution [147.77050877373674]
自然画像における非局所的な自己相似性は、画像修復に有効な先行研究として、よく研究されている。
単一の画像超解像(SISR)の場合、既存のディープ非局所法のほとんどは、低解像度(LR)入力画像と同じ規模のパッチしか利用していない。
これは、新しいクロススケールな内部グラフニューラルネットワーク(IGNN)を用いて実現される。
論文 参考訳(メタデータ) (2020-06-30T10:48:40Z) - SRFlow: Learning the Super-Resolution Space with Normalizing Flow [176.07982398988747]
超解像度は、与えられた低解像度画像の複数の予測を可能にするため、不適切な問題である。
出力の条件分布を学習できる正規化フローベース超解法SRFlowを提案する。
我々のモデルは、単一損失、すなわち負のログ類似度を用いて、原則的に訓練されている。
論文 参考訳(メタデータ) (2020-06-25T06:34:04Z) - Deep Generative Adversarial Residual Convolutional Networks for
Real-World Super-Resolution [31.934084942626257]
我々は,超解像残差畳み込み生成共役ネットワーク(SRResCGAN)を提案する。
これは、生成したLRドメインからHRドメインの画素単位の監督でモデルを逆トレーニングすることで、現実世界の劣化設定に従う。
提案するネットワークは,画像の高精細化と凸最適化によるエネルギーベース目的関数の最小化により,残差学習を利用する。
論文 参考訳(メタデータ) (2020-05-03T00:12:38Z) - Robust Single-Image Super-Resolution via CNNs and TV-TV Minimization [7.538482310185135]
シングルイメージ超解像(英: Single-image Super- resolution)とは、低解像度(LR)画像から高解像度(HR)画像を得る画像の解像度を増大させる過程である。
大規模なトレーニングデータセットを活用することで、現在のCNN(Convolutional Neural Network)は、このタスクにおける最先端のパフォーマンスを実現している。
我々は,CNNの出力をTV-TV最小化と呼ぶ最適化問題で処理後処理し,一貫性を実現することを提案する。
論文 参考訳(メタデータ) (2020-04-02T07:06:55Z) - 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) - PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of
Generative Models [77.32079593577821]
PULSE (Photo Upsampling via Latent Space Exploration) は、それまで文献になかった解像度で高解像度でリアルな画像を生成する。
本手法は, 従来よりも高分解能, スケールファクターの知覚品質において, 最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2020-03-08T16:44:31Z) - Fast Adaptation to Super-Resolution Networks via Meta-Learning [24.637337634643885]
本研究では、従来のSRネットワークのアーキテクチャを変更することなく、SISRの性能をさらに向上する機会を観察する。
トレーニング段階では,メタラーニングによりネットワークをトレーニングし,テスト時に任意の入力画像に迅速に適応させることができる。
提案手法は,様々なベンチマークSRデータセット上での従来のSRネットワークの性能を一貫して向上することを示す。
論文 参考訳(メタデータ) (2020-01-09T09:59:02Z)
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。