論文の概要: DRST: Deep Residual Shearlet Transform for Densely Sampled Light Field Reconstruction

• arxiv url: http://arxiv.org/abs/2003.08865v1
• Date: Thu, 19 Mar 2020 15:28:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 04:59:55.456839
• Title: DRST: Deep Residual Shearlet Transform for Densely Sampled Light Field Reconstruction
• Title（参考訳）: DRST:高密度光場再構成のための深部残留せん断変形
• Authors: Yuan Gao, Robert Bregovic, Reinhard Koch and Atanas Gotchev
• Abstract要約: 本稿では,Deep Residual Shearlet Transform (DRST)と呼ばれる新しい学習ベースST手法を提案する。 DRSTはディープ・フル・コンボリューショナル・ニューラル・ニューラルネットワーク(CNN)を用いて、シャーレット領域のシャーレット係数の残差を予測し、画像領域に高密度にサンプリングされたエピポーラ・プラン像(EPI)を再構成する。 3つの挑戦的な実世界の光場評価データセットの実験結果から,DSLF再構成のための非学習ベースST法よりも,提案した学習ベースDRSTアプローチの方が優れていることが示された。
• 参考スコア（独自算出の注目度）: 8.32980739346246
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Image-Based Rendering (IBR) approach using Shearlet Transform (ST) is one of the most effective methods for Densely-Sampled Light Field (DSLF) reconstruction. The ST-based DSLF reconstruction typically relies on an iterative thresholding algorithm for Epipolar-Plane Image (EPI) sparse regularization in shearlet domain, involving dozens of transformations between image domain and shearlet domain, which are in general time-consuming. To overcome this limitation, a novel learning-based ST approach, referred to as Deep Residual Shearlet Transform (DRST), is proposed in this paper. Specifically, for an input sparsely-sampled EPI, DRST employs a deep fully Convolutional Neural Network (CNN) to predict the residuals of the shearlet coefficients in shearlet domain in order to reconstruct a densely-sampled EPI in image domain. The DRST network is trained on synthetic Sparsely-Sampled Light Field (SSLF) data only by leveraging elaborately-designed masks. Experimental results on three challenging real-world light field evaluation datasets with varying moderate disparity ranges (8 - 16 pixels) demonstrate the superiority of the proposed learning-based DRST approach over the non-learning-based ST method for DSLF reconstruction. Moreover, DRST provides a 2.4x speedup over ST, at least.
• Abstract（参考訳）: image-based rendering (ibr) approach using shearlet transform (st) は、集束光場(dslf)再構成の最も効果的な方法の1つである。 STベースのDSLF再構成は、一般に時間を要する画像領域とシャーレット領域の間の数十の変換を含む、シャーレット領域におけるエピポーラ・プラン画像(EPI)スパース正規化の反復しきい値アルゴリズムに依存する。 この制限を克服するために,Deep Residual Shearlet Transform (DRST)と呼ばれる新しい学習ベースST手法を提案する。 具体的には、入力スパースサンプリング EPI に対して、DRST は深い完全畳み込みニューラルネットワーク (CNN) を用いて、シャーレット領域のシャーレット係数の残差を予測し、画像領域の密サンプリング EPI を再構成する。 DRSTネットワークは、精巧に設計されたマスクを活用することでのみ、Sparsely-Sampled Light Field (SSLF)データに基づいて訓練される。 中等距離の異なる3つの実世界の光場評価データセット(8-16ピクセル)の実験結果から,DSLF再構成のための非学習ベースST法よりも,学習ベースDRSTアプローチの方が優れていることが示された。 さらに、DRSTは少なくともSTの2.4倍のスピードアップを提供する。

関連論文リスト

• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• PR-NeuS: A Prior-based Residual Learning Paradigm for Fast Multi-view Neural Surface Reconstruction [45.34454245176438]
  高速多視点ニューラルサーフェス再構成のための事前学習パラダイムを提案する。 本手法は,1つのシーンの表面を再構築するのに3分程度しかかからず,競争力のある表面品質を実現している。
  論文  参考訳（メタデータ） (2023-12-18T09:24:44Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• A Fast Alternating Minimization Algorithm for Coded Aperture Snapshot Spectral Imaging Based on Sparsity and Deep Image Priors [8.890754092562918]
  Coded Aperture snapshot Spectrum Imaging (CASSI)は、3次元ハイパースペクトル画像(HSI)を再構成する技術である。 本稿では,自然画像の空間と深部画像の先行値(Fama-P)に基づいて,高速な変動最小化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-12T03:29:14Z)
• Degradation-Aware Unfolding Half-Shuffle Transformer for Spectral Compressive Imaging [142.11622043078867]
  圧縮画像と物理マスクからパラメータを推定し,これらのパラメータを用いて各イテレーションを制御する,DAUF(Degradation-Aware Unfolding Framework)を提案する。 HST を DAUF に接続することにより,HSI 再構成のための変換器の深部展開法であるデグレーション・アウェア・アンフォールディング・ハーフシャッフル変換器 (DAUHST) を確立した。
  論文  参考訳（メタデータ） (2022-05-20T11:37:44Z)
• NerfingMVS: Guided Optimization of Neural Radiance Fields for Indoor Multi-view Stereo [97.07453889070574]
  本稿では,従来のSfM再構成と学習に基づく先行手法を併用した多視点深度推定手法を提案する。 提案手法は室内シーンにおける最先端手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2021-09-02T17:54:31Z)
• Deep Amended Gradient Descent for Efficient Spectral Reconstruction from Single RGB Images [42.26124628784883]
  本稿では、AGD-Netという、コンパクトで効率的でエンドツーエンドの学習ベースのフレームワークを提案する。 まず、古典的勾配降下アルゴリズムに基づいて問題を明示的に定式化する。 AGD-Netは、平均1.0dB以上のリコンストラクション品質を向上させることができる。
  論文  参考訳（メタデータ） (2021-08-12T05:54:09Z)
• TFill: Image Completion via a Transformer-Based Architecture [69.62228639870114]
  画像補完を無方向性シーケンス対シーケンス予測タスクとして扱うことを提案する。 トークン表現には,小かつ重複しないRFを持つ制限型CNNを用いる。 第2フェーズでは、可視領域と発生領域の外観整合性を向上させるために、新しい注意認識層(aal)を導入する。
  論文  参考訳（メタデータ） (2021-04-02T01:42:01Z)
• Robust Unsupervised Small Area Change Detection from SAR Imagery Using Deep Learning [23.203687716051697]
  合成開口レーダ(SAR)画像から小さな領域変化検出のための頑健な教師なし手法を提案する。 差分画像(DI)を生成するマルチスケールスーパーピクセル再構成法を開発した。 二段階中心拘束型ファジィc平均クラスタリングアルゴリズムを提案し、DIの画素を変化・変化・中間クラスに分割する。
  論文  参考訳（メタデータ） (2020-11-22T12:50:08Z)
• MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
  本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。 マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。 本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
  論文  参考訳（メタデータ） (2020-05-15T10:37:02Z)

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。