論文の概要: Robust Single-Image Super-Resolution via CNNs and TV-TV Minimization
- arxiv url: http://arxiv.org/abs/2004.00843v1
- Date: Thu, 2 Apr 2020 07:06:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-17 10:04:22.072323
- Title: Robust Single-Image Super-Resolution via CNNs and TV-TV Minimization
- Title(参考訳): CNNとTV-TVによるロバスト単一画像超解像
- Authors: Marija Vella and Jo\~ao F. C. Mota
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 7.538482310185135
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Single-image super-resolution is the process of increasing the resolution of
an image, obtaining a high-resolution (HR) image from a low-resolution (LR)
one. By leveraging large training datasets, convolutional neural networks
(CNNs) currently achieve the state-of-the-art performance in this task. Yet,
during testing/deployment, they fail to enforce consistency between the HR and
LR images: if we downsample the output HR image, it never matches its LR input.
Based on this observation, we propose to post-process the CNN outputs with an
optimization problem that we call TV-TV minimization, which enforces
consistency. As our extensive experiments show, such post-processing not only
improves the quality of the images, in terms of PSNR and SSIM, but also makes
the super-resolution task robust to operator mismatch, i.e., when the true
downsampling operator is different from the one used to create the training
dataset.
- Abstract(参考訳): シングルイメージ超解像は、低解像度(LR)画像から高解像度(HR)画像を得る、画像の解像度を高める過程である。
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)はこのタスクで最先端のパフォーマンスを実現している。
しかし、テスト/デプロイ中は、HRイメージとLRイメージの一貫性を強制することができない。
そこで本研究では,CNNの出力をTV-TV最小化と呼ぶ最適化問題で後処理することを提案する。
広範な実験が示すように、これらの後処理は、psnrとssimの観点から画像の品質を向上させるだけでなく、真のダウンサンプリング演算子がトレーニングデータセットの作成に使用されるものと異なる場合、オペレータミスマッチに頑健な超解像タスクとなる。
関連論文リスト
- Rethinking Image Super-Resolution from Training Data Perspectives [54.28824316574355]
画像超解像(SR)におけるトレーニングデータの効果について検討する。
そこで我々は,自動画像評価パイプラインを提案する。
その結果, (i) 圧縮アーチファクトの少ないデータセット, (ii) 被写体数によって判断される画像内多様性の高いデータセット, (iii) ImageNet や PASS からの大量の画像がSR性能に肯定的な影響を与えることがわかった。
論文 参考訳(メタデータ) (2024-09-01T16:25:04Z) - Learning to Super-Resolve Blurry Images with Events [62.61911224564196]
単一運動ブラインド画像(SRB)からの超解像は, 運動ぼけと低空間分解能の合同劣化により, 深刻な問題となる。
我々は、SRBの負担を軽減するためにイベントを使用し、イベント強化SRB(E-SRB)アルゴリズムを提案する。
提案するeSL-Net++は最先端の手法よりも大きなマージンで優れていることを示す。
論文 参考訳(メタデータ) (2023-02-27T13:46:42Z) - Image Super-resolution with An Enhanced Group Convolutional Neural
Network [102.2483249598621]
学習能力の強いCNNは、超解像問題を解くために広く選択されている。
浅層構造を持つ超解像群CNN(ESRGCNN)を提案する。
ESRGCNNは、SISRの性能、複雑さ、実行速度、画質評価およびSISRの視覚効果の観点から、最先端技術を上回っていると報告されている。
論文 参考訳(メタデータ) (2022-05-29T00:34:25Z) - Hybrid Pixel-Unshuffled Network for Lightweight Image Super-Resolution [64.54162195322246]
畳み込みニューラルネットワーク(CNN)は画像超解像(SR)において大きな成功を収めた
ほとんどのディープCNNベースのSRモデルは、高い性能を得るために大量の計算を処理している。
SRタスクに効率的かつ効果的なダウンサンプリングモジュールを導入することで,HPUN(Hybrid Pixel-Unshuffled Network)を提案する。
論文 参考訳(メタデータ) (2022-03-16T20:10:41Z) - Dual-reference Training Data Acquisition and CNN Construction for Image
Super-Resolution [33.388234549922025]
そこで本研究では,実写カメラを用いたLR$sim$HR画像ペアを多数取得する新しい手法を提案する。
私たちのイノベーションは、解像度の異なる超高品質のスクリーンに表示される画像を撮影することです。
実験の結果,LR$sim$HRデータセットによる超解像CNNのトレーニングは,実画像上の既存のデータセットによるトレーニングよりも,復元性能が優れていることがわかった。
論文 参考訳(メタデータ) (2021-08-05T03:31:50Z) - LAPAR: Linearly-Assembled Pixel-Adaptive Regression Network for Single
Image Super-Resolution and Beyond [75.37541439447314]
単一画像超解像(SISR)は、低解像度(LR)画像を高解像度(HR)バージョンにアップサンプリングする根本的な問題を扱う。
本稿では,線形組立画素適応回帰ネットワーク (LAPAR) を提案する。
論文 参考訳(メタデータ) (2021-05-21T15:47:18Z) - Blind Image Super-Resolution with Spatial Context Hallucination [5.849485167287474]
本稿では, 劣化カーネルを知らずに, 視覚的超解像のための空間文脈幻覚ネットワーク(SCHN)を提案する。
DIV2KとFlickr2Kという2つの高品質データセットでモデルをトレーニングします。
入力画像がランダムなぼかしとノイズで劣化した場合, 最先端の手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2020-09-25T22:36:07Z) - 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) - 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) - Unpaired Image Super-Resolution using Pseudo-Supervision [12.18340575383456]
生成逆数ネットワークを用いた非対位画像超解像(SR)手法を提案する。
我々のネットワークは、未ペアカーネル/ノイズ補正ネットワークと擬ペアSRネットワークで構成されている。
多様なデータセットに対する実験により,提案手法は未ペアSR問題に対する既存の解よりも優れていることが示された。
論文 参考訳(メタデータ) (2020-02-26T10:30:52Z)
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。