論文の概要: Perceptual Image Super-Resolution with Progressive Adversarial Network
- arxiv url: http://arxiv.org/abs/2003.03756v4
- Date: Thu, 19 Mar 2020 03:13:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-25 14:44:54.406343
- Title: Perceptual Image Super-Resolution with Progressive Adversarial Network
- Title（参考訳）: プログレッシブ・ディバイサル・ネットワークを用いた知覚的超解像
- Authors: Lone Wong, Deli Zhao, Shaohua Wan, Bo Zhang
- Abstract要約: Single Image Super-Resolution (SISR) は、小型の低画質画像の解像度を1つの画像から改善することを目的としている。
本稿では,現在最先端のアルゴリズムの性能を制限している理由として,次元の呪いを論じる。
本稿では,ドメイン固有画像の超解像化の難しさに対処できるプログレッシブ・アドバイサル・ネットワーク(PAN)を提案する。
- 参考スコア（独自算出の注目度）: 17.289101902846358
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Single Image Super-Resolution (SISR) aims to improve resolution of small-size
low-quality image from a single one. With popularity of consumer electronics in
our daily life, this topic has become more and more attractive. In this paper,
we argue that the curse of dimensionality is the underlying reason of limiting
the performance of state-of-the-art algorithms. To address this issue, we
propose Progressive Adversarial Network (PAN) that is capable of coping with
this difficulty for domain-specific image super-resolution. The key principle
of PAN is that we do not apply any distance-based reconstruction errors as the
loss to be optimized, thus free from the restriction of the curse of
dimensionality. To maintain faithful reconstruction precision, we resort to
U-Net and progressive growing of neural architecture. The low-level features in
encoder can be transferred into decoder to enhance textural details with U-Net.
Progressive growing enhances image resolution gradually, thereby preserving
precision of recovered image. Moreover, to obtain high-fidelity outputs, we
leverage the framework of the powerful StyleGAN to perform adversarial
learning. Without the curse of dimensionality, our model can super-resolve
large-size images with remarkable photo-realistic details and few distortions.
Extensive experiments demonstrate the superiority of our algorithm over
state-of-the-arts both quantitatively and qualitatively.
- Abstract（参考訳）: Single Image Super-Resolution (SISR) は、小型の低画質画像の解像度を単一の画像から改善することを目的としている。
消費者電子製品が日常的に普及するにつれ、この話題はますます魅力的になっている。
本稿では,現在最先端のアルゴリズムの性能を制限している理由として,次元の呪いを論じる。
この問題に対処するために,ドメイン固有画像の超解像化の難しさに対処できるプログレッシブ・アドバーサリアル・ネットワーク(PAN)を提案する。
PANの鍵となる原理は、最適化すべき損失として距離ベースの復元誤差を適用せず、従って次元の呪いの制限がなくなることである。
忠実な再構築の精度を維持するために、我々はU-Netと進歩的なニューラルアーキテクチャの進化を利用する。
エンコーダの低レベル機能は、U-Netでテクスチャの詳細を強化するためにデコーダに転送できる。
プログレッシブ成長は画像解像度を徐々に高め、回収された画像の精度を維持する。
さらに,高忠実度出力を得るためには,強力なStyleGANの枠組みを活用して対角学習を行う。
次元の呪いがなければ、我々のモデルは目覚ましいフォトリアリスティックな細部と歪みの少ない大型画像を超解ける。
広範な実験により, 定量的および定性的に, 最先端のアルゴリズムに勝ることを示す。
関連論文リスト
- SelFSR: Self-Conditioned Face Super-Resolution in the Wild via Flow
Field Degradation Network [12.976199676093442]
野生における顔超解像のための新しいドメイン適応分解ネットワークを提案する。
我々のモデルは,CelebAと実世界の顔データセットの両方で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2021-12-20T17:04:00Z) - Restormer: Efficient Transformer for High-Resolution Image Restoration [118.9617735769827]
畳み込みニューラルネットワーク(CNN)は、大規模データから一般化可能な画像の事前学習をうまく行う。
トランスフォーマーは、自然言語とハイレベルな視覚タスクにおいて、顕著なパフォーマンス向上を示している。
我々のモデルであるRecovery Transformer (Restormer) は、いくつかの画像復元タスクにおいて最先端の結果を得る。
論文 参考訳（メタデータ） (2021-11-18T18:59:10Z) - Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。
本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文 参考訳（メタデータ） (2021-08-19T11:02:25Z) - Contextual Residual Aggregation for Ultra High-Resolution Image
Inpainting [12.839962012888199]
そこで本稿では,CRA(Contextual Residual Aggregation)機構を提案する。
CRA機構は、コンテキストパッチからの残基の重み付けにより、欠落した内容に対して高周波残基を生成する。
提案手法は,解像度512×512の小型画像に対して学習し,高解像度画像に対する推論を行い,良好な塗装品質を実現する。
論文 参考訳（メタデータ） (2020-05-19T18:55:32Z) - Invertible Image Rescaling [118.2653765756915]
Invertible Rescaling Net (IRN) を開発した。
我々は、ダウンスケーリングプロセスにおいて、指定された分布に従う潜在変数を用いて、失われた情報の分布をキャプチャする。
論文 参考訳（メタデータ） (2020-05-12T09:55:53Z) - 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) - Deep Attentive Generative Adversarial Network for Photo-Realistic Image
De-Quantization [25.805568996596783]
減量子化は、高ビット深度画面に表示するための低ビット深度画像の視覚的品質を改善することができる。
本稿では,画像強度分解能の超解像を実現するためのDAGANアルゴリズムを提案する。
DenseResAttモジュールは、自己保持機構を備えた密集した残留ブロックで構成されている。
論文 参考訳（メタデータ） (2020-04-07T06:45:01Z) - Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。
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した,新しいアーキテクチャを提案する。
提案手法は,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。
論文 参考訳（メタデータ） (2020-03-15T11:04:30Z) - Gated Fusion Network for Degraded Image Super Resolution [78.67168802945069]
本稿では,基本特徴と回復特徴を別々に抽出する二分岐畳み込みニューラルネットワークを提案する。
特徴抽出ステップを2つのタスク非依存ストリームに分解することで、デュアルブランチモデルがトレーニングプロセスを容易にすることができる。
論文 参考訳（メタデータ） (2020-03-02T13:28:32Z)
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。