論文の概要: Deep Unfolding Network for Image Super-Resolution
- arxiv url: http://arxiv.org/abs/2003.10428v1
- Date: Mon, 23 Mar 2020 17:55:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 00:43:18.054515
- Title: Deep Unfolding Network for Image Super-Resolution
- Title（参考訳）: 画像超解像のための深部展開ネットワーク
- Authors: Kai Zhang, Luc Van Gool, Radu Timofte
- Abstract要約: 本稿では,学習に基づく手法とモデルに基づく手法の両方を活用する,エンドツーエンドのトレーニング可能なアンフォールディングネットワークを提案する。
提案するネットワークは, モデルベース手法の柔軟性を継承し, 一つのモデルを用いて, 異なるスケール要因に対する, 曖昧でノイズの多い画像の超解像化を行う。
- 参考スコア（独自算出の注目度）: 159.50726840791697
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning-based single image super-resolution (SISR) methods are continuously
showing superior effectiveness and efficiency over traditional model-based
methods, largely due to the end-to-end training. However, different from
model-based methods that can handle the SISR problem with different scale
factors, blur kernels and noise levels under a unified MAP (maximum a
posteriori) framework, learning-based methods generally lack such flexibility.
To address this issue, this paper proposes an end-to-end trainable unfolding
network which leverages both learning-based methods and model-based methods.
Specifically, by unfolding the MAP inference via a half-quadratic splitting
algorithm, a fixed number of iterations consisting of alternately solving a
data subproblem and a prior subproblem can be obtained. The two subproblems
then can be solved with neural modules, resulting in an end-to-end trainable,
iterative network. As a result, the proposed network inherits the flexibility
of model-based methods to super-resolve blurry, noisy images for different
scale factors via a single model, while maintaining the advantages of
learning-based methods. Extensive experiments demonstrate the superiority of
the proposed deep unfolding network in terms of flexibility, effectiveness and
also generalizability.
- Abstract（参考訳）: 学習ベースのシングルイメージスーパーレゾリューション(sisr)法は、主にエンドツーエンドのトレーニングによって、従来のモデルベース手法よりも優れた効果と効率を示している。
しかし、SISR問題に異なるスケールファクター、カーネル、ノイズレベルを統一MAP(maximum a reari)フレームワークで処理できるモデルベースの手法とは異なり、学習ベースの手法は一般的にそのような柔軟性を欠いている。
本稿では,学習に基づく手法とモデルに基づく手法の両方を活用する,エンドツーエンドのトレーニング可能な展開ネットワークを提案する。
具体的には、半量子分割アルゴリズムを介して地図推論を展開することにより、データサブプログレムと先行サブプログレムとを交互に解決する固定数の反復を求めることができる。
2つのサブプロブレムはニューラルネットワークモジュールによって解決され、エンドツーエンドのトレーニング可能な反復ネットワークとなる。
その結果,提案ネットワークはモデルベース手法の柔軟性を継承し,学習ベース手法の利点を保ちつつ,単一モデルによる異なるスケールファクターのぼやけたノイズ画像の超解像を行う。
拡張実験は、柔軟性、有効性、および一般化可能性の観点から提案された深層展開ネットワークの優位性を示す。
関連論文リスト
- FAS-UNet: A Novel FAS-driven Unet to Learn Variational Image
Segmentation [3.741136641573471]
本稿では,そのモデルとアルゴリズムを利用してマルチスケールの特徴を抽出する新しい変動モデルインフォームドネットワーク(FAS-Unet)を提案する。
提案するネットワークは,画像データと数理モデルを統合し,いくつかの畳み込みカーネルを学習して実装する。
実験結果から,提案するFAS-Unetは,定性的,定量的,モデル複雑度評価において,他の最先端手法と非常に競合することが示された。
論文 参考訳（メタデータ） (2022-10-27T04:15:16Z) - A Unifying Multi-sampling-ratio CS-MRI Framework With Two-grid-cycle
Correction and Geometric Prior Distillation [7.643154460109723]
本稿では,モデルベースと深層学習に基づく手法の利点を融合して,深層展開型マルチサンプリング比CS-MRIフレームワークを提案する。
マルチグリッドアルゴリズムにインスパイアされ、まずCS-MRIに基づく最適化アルゴリズムを補正蒸留方式に組み込む。
各段の圧縮サンプリング比から適応的なステップ長と雑音レベルを学習するために条件モジュールを用いる。
論文 参考訳（メタデータ） (2022-05-14T13:36:27Z) - Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。
実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
論文 参考訳（メタデータ） (2021-11-27T12:12:57Z) - Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。
まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。
そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文 参考訳（メタデータ） (2020-11-25T14:00:18Z) - Deep Iterative Residual Convolutional Network for Single Image
Super-Resolution [31.934084942626257]
我々は、ISRResCNet(Deep Iterative Super-Resolution Residual Convolutional Network)を提案する。
残差学習アプローチを用いて、深層ネットワークを反復的に訓練することにより、強力な画像正規化と大規模最適化手法を活用する。
トレーニング可能なパラメータがいくつかある本手法は,最先端の手法と比較して,異なるスケーリング要因に対する結果を改善する。
論文 参考訳（メタデータ） (2020-09-07T12:54:14Z) - Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。
両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。
画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
論文 参考訳（メタデータ） (2020-08-25T03:30:53Z) - Attentive CutMix: An Enhanced Data Augmentation Approach for Deep
Learning Based Image Classification [58.20132466198622]
そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。
各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。
提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
論文 参考訳（メタデータ） (2020-03-29T15:01:05Z) - Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。
このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる
このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文 参考訳（メタデータ） (2020-03-13T13:11:35Z)
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。