論文の概要: Unsupervised Real-world Image Super Resolution via Domain-distance Aware
Training
- arxiv url: http://arxiv.org/abs/2004.01178v1
- Date: Thu, 2 Apr 2020 17:59:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-17 12:55:14.343027
- Title: Unsupervised Real-world Image Super Resolution via Domain-distance Aware
Training
- Title(参考訳): ドメイン距離認識トレーニングによる非教師なし実世界画像スーパーレゾリューション
- Authors: Yunxuan Wei, Shuhang Gu, Yawei Li, Longcun Jin
- Abstract要約: 本稿では,教師なし実世界画像SRのための新しいドメイン距離対応超解像(DASR)手法を提案する。
提案手法は, 合成および実データを用いて検証し, 実験結果から, DASRは最先端の教師なしSRアプローチより一貫して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): 33.568321507711396
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: These days, unsupervised super-resolution (SR) has been soaring due to its
practical and promising potential in real scenarios. The philosophy of
off-the-shelf approaches lies in the augmentation of unpaired data, i.e. first
generating synthetic low-resolution (LR) images $\mathcal{Y}^g$ corresponding
to real-world high-resolution (HR) images $\mathcal{X}^r$ in the real-world LR
domain $\mathcal{Y}^r$, and then utilizing the pseudo pairs $\{\mathcal{Y}^g,
\mathcal{X}^r\}$ for training in a supervised manner. Unfortunately, since
image translation itself is an extremely challenging task, the SR performance
of these approaches are severely limited by the domain gap between generated
synthetic LR images and real LR images. In this paper, we propose a novel
domain-distance aware super-resolution (DASR) approach for unsupervised
real-world image SR. The domain gap between training data (e.g.
$\mathcal{Y}^g$) and testing data (e.g. $\mathcal{Y}^r$) is addressed with our
\textbf{domain-gap aware training} and \textbf{domain-distance weighted
supervision} strategies. Domain-gap aware training takes additional benefit
from real data in the target domain while domain-distance weighted supervision
brings forward the more rational use of labeled source domain data. The
proposed method is validated on synthetic and real datasets and the
experimental results show that DASR consistently outperforms state-of-the-art
unsupervised SR approaches in generating SR outputs with more realistic and
natural textures.
- Abstract(参考訳): 近年,非教師なしスーパーレゾリューション(sr)が現実のシナリオにおいて実用的で有望な可能性を秘めている。
オフ・ザ・シェルフアプローチの哲学は、まず、実世界の高分解能(HR)画像に対応する合成低分解能(LR)画像 $\mathcal{Y}^g$ と、実世界のLRドメイン $\mathcal{Y}^r$ と、擬似ペア $\mathcal{Y}^g, \mathcal{X}^r\} を、教師付き方法でトレーニングするために利用することである。
残念なことに、画像翻訳自体が極めて困難な作業であるため、これらの手法のSR性能は生成した合成LR画像と実LR画像との領域ギャップによって著しく制限されている。
本稿では、教師なし実世界の画像SRのための新しいドメイン距離対応超解像(DASR)手法を提案する。
トレーニングデータ(例: $\mathcal{Y}^g$)とテストデータ(例: $\mathcal{Y}^r$)のドメインギャップは、我々の \textbf{ domain-gap aware training} と \textbf{ domain-distance weighted supervision} 戦略で対処される。
ドメインギャップを意識したトレーニングは、ターゲットドメイン内の実際のデータからさらなる利益を得る一方、ドメイン距離の重み付けされた監視は、ラベル付きソースドメインデータのより合理的な利用を促進する。
提案手法は合成データと実データで検証され,dasrはよりリアルで自然なテクスチャを持つsr出力を生成する際に,最先端のsrアプローチを一貫して上回っていることを示す。
関連論文リスト
- Enhanced Super-Resolution Training via Mimicked Alignment for Real-World Scenes [51.92255321684027]
トレーニング中、LR入力とHR画像の整列により、誤調整問題を緩和する新しいプラグアンドプレイモジュールを提案する。
具体的には,従来のLR試料の特徴を保ちながらHRと整合する新しいLR試料を模倣する。
本手法を合成および実世界のデータセット上で総合的に評価し,SRモデルのスペクトル間での有効性を実証した。
論文 参考訳(メタデータ) (2024-10-07T18:18:54Z) - Towards Realistic Data Generation for Real-World Super-Resolution [58.99206459754721]
RealDGenは、現実世界の超解像のために設計された教師なし学習データ生成フレームワークである。
我々は,コンテンツ分解脱結合拡散モデルに統合されたコンテンツと劣化抽出戦略を開発する。
実験により、RealDGenは、現実世界の劣化を反映する大規模で高品質なペアデータを生成するのに優れていることが示された。
論文 参考訳(メタデータ) (2024-06-11T13:34:57Z) - 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) - ICF-SRSR: Invertible scale-Conditional Function for Self-Supervised
Real-world Single Image Super-Resolution [60.90817228730133]
単一画像超解像(SISR)は、与えられた低解像度(LR)画像を高解像度(HR)にアップサンプリングすることを目的とした課題である。
近年のアプローチは、単純化されたダウンサンプリング演算子によって劣化したシミュレーションLR画像に基づいて訓練されている。
Invertible Scale-Conditional Function (ICF) を提案する。これは入力画像をスケールし、異なるスケール条件で元の入力を復元する。
論文 参考訳(メタデータ) (2023-07-24T12:42:45Z) - Simple and Efficient Unpaired Real-world Super-Resolution using Image
Statistics [0.11714813224840924]
本稿では,実世界のSRネットワークの簡易かつ効率的なトレーニング方法を提案する。
我々のフレームワークは2つのGANで構成されており、1つはHR画像をLR画像に変換するためのもので、もう1つはLR画像をHRに変換するためのものである。
我々は,提案したデータサンプリング戦略を用いて,GANを用いた未ペア画像翻訳を効率的に学習できると主張している。
論文 参考訳(メタデータ) (2021-09-19T06:10:33Z) - Frequency Consistent Adaptation for Real World Super Resolution [64.91914552787668]
実シーンにスーパーリゾリューション(SR)法を適用する際に周波数領域の整合性を保証する新しい周波数一貫性適応(FCA)を提案する。
監視されていない画像から劣化カーネルを推定し、対応するLow-Resolution (LR)画像を生成する。
ドメイン一貫性のあるLR-HRペアに基づいて、容易に実装可能な畳み込みニューラルネットワーク(CNN)SRモデルを訓練する。
論文 参考訳(メタデータ) (2020-12-18T08:25:39Z) - Deep Cyclic Generative Adversarial Residual Convolutional Networks for
Real Image Super-Resolution [20.537597542144916]
我々は、LRとHRデータ分布間の領域整合性を維持するために、深い循環ネットワーク構造を考える。
本稿では,LRからHRドメインへの変換のためのGAN(Generative Adversarial Network)フレームワークを用いた学習により,超解像残留周期生成逆ネットワーク(SRResCycGAN)を提案する。
論文 参考訳(メタデータ) (2020-09-07T11:11:18Z) - Benefiting from Bicubically Down-Sampled Images for Learning Real-World
Image Super-Resolution [22.339751911637077]
我々は、この不適切な問題を2つの比較的よく提示されたステップに分割することで、現実世界のSRを扱うことを提案する。
まず、実LR画像を教師付きで双対的にダウンサンプリングされた画像の空間に変換するネットワークを訓練する。
次に,2次元ダウンサンプル画像に基づいて学習した汎用SRネットワークを用いて,変換されたLR画像の超解像を行う。
論文 参考訳(メタデータ) (2020-07-06T20:27:58Z) - Learning to Zoom-in via Learning to Zoom-out: Real-world
Super-resolution by Generating and Adapting Degradation [91.40265983636839]
本稿では,SR を任意の LR と HR 画像から学習するためのフレームワークを提案する。
我々は、劣化適応SRネットワークを学習しながら、生成されたデータと実データとの差を最小限にする。
提案手法は,ペア学習法をより好むデータセットであっても,実世界の画像上での最先端のSR結果を実現する。
論文 参考訳(メタデータ) (2020-01-08T05:17:02Z)
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。