論文の概要: Image super-resolution reconstruction based on attention mechanism and
feature fusion
- arxiv url: http://arxiv.org/abs/2004.03939v1
- Date: Wed, 8 Apr 2020 11:20:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-15 09:40:29.398422
- Title: Image super-resolution reconstruction based on attention mechanism and
feature fusion
- Title(参考訳): 注意機構と特徴融合に基づく画像超解像再構成
- Authors: Jiawen Lyn, Sen Yan
- Abstract要約: 注意機構とマルチスケール特徴融合に基づくネットワーク構造を提案する。
実験により,提案手法は,他の代表的超解像再構成アルゴリズムよりも優れた性能が得られることが示された。
- 参考スコア(独自算出の注目度): 3.42658286826597
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Aiming at the problems that the convolutional neural networks neglect to
capture the inherent attributes of natural images and extract features only in
a single scale in the field of image super-resolution reconstruction, a network
structure based on attention mechanism and multi-scale feature fusion is
proposed. By using the attention mechanism, the network can effectively
integrate the non-local information and second-order features of the image, so
as to improve the feature expression ability of the network. At the same time,
the convolution kernel of different scales is used to extract the multi-scale
information of the image, so as to preserve the complete information
characteristics at different scales. Experimental results show that the
proposed method can achieve better performance over other representative
super-resolution reconstruction algorithms in objective quantitative metrics
and visual quality.
- Abstract(参考訳): 画像超解像再構成の分野において, 自然画像の固有の特性を捕捉し, 特徴を抽出するために, 畳み込みニューラルネットワークが無視する問題を考慮し, 注意機構とマルチスケール特徴融合に基づくネットワーク構造を提案する。
注意機構を用いることで、画像の非ローカル情報と2階特徴を効果的に統合し、ネットワークの特徴表現能力を向上させることができる。
同時に、画像のマルチスケール情報を抽出するために、異なるスケールの畳み込みカーネルを使用し、異なるスケールで完全な情報特性を保持する。
実験の結果,提案手法は他の代表的な超解像再構成アルゴリズムよりも客観的な定量的指標と視覚品質において優れた性能が得られることがわかった。
関連論文リスト
- Fusion of Infrared and Visible Images based on Spatial-Channel
Attentional Mechanism [3.388001684915793]
Infrared and visible image fusion (IVIF) の革新的アプローチであるAMFusionNetを提案する。
可視光源からのテクスチャ特徴と赤外線画像からの熱的詳細を同化することにより,包括的情報に富んだ画像を生成する。
提案手法は, 品質と量の観点から, 最先端のアルゴリズムより優れている。
論文 参考訳(メタデータ) (2023-08-25T21:05:11Z) - Convolutional neural network based on sparse graph attention mechanism
for MRI super-resolution [0.34410212782758043]
深層学習技術を用いた医用画像超解像(SR)再構成は、病変解析を強化し、診断効率と精度を向上させるために医師を支援する。
既存のディープラーニングベースのSR手法は、これらのモデルの表現能力を本質的に制限する畳み込みニューラルネットワーク(CNN)に依存している。
画像特徴抽出に複数の畳み込み演算子特徴抽出モジュール(MCO)を用いるAネットワークを提案する。
論文 参考訳(メタデータ) (2023-05-29T06:14:22Z) - CoCoNet: Coupled Contrastive Learning Network with Multi-level Feature
Ensemble for Multi-modality Image Fusion [72.8898811120795]
我々は、赤外線と可視画像の融合を実現するために、CoCoNetと呼ばれるコントラスト学習ネットワークを提案する。
本手法は,主観的評価と客観的評価の両面において,最先端(SOTA)性能を実現する。
論文 参考訳(メタデータ) (2022-11-20T12:02:07Z) - Image Reconstruction of Multi Branch Feature Multiplexing Fusion Network
with Mixed Multi-layer Attention [0.0]
画像超解像再構成は畳み込みニューラルネットワークの強力な非線形表現能力によって従来の手法よりも優れた結果が得られる。
既存のアルゴリズムには、段階的特徴量の利用不足、ネットワーク性能向上のための初期段階的特徴量融合の重要性の無視、再建過程における高周波情報への注意の欠如など、いくつかの問題もある。
いくつかのベンチマークセットで多数の実験を行い、他の高度な再構成アルゴリズムと比較して、アルゴリズムは高い競争力のある客観的指標を生成し、より詳細なテクスチャ情報を復元することを示した。
論文 参考訳(メタデータ) (2022-05-27T03:07:27Z) - Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
本稿では,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する。
我々は、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。
提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
論文 参考訳(メタデータ) (2022-04-19T17:59:45Z) - Vision Transformer with Convolutions Architecture Search [72.70461709267497]
本稿では,畳み込み型アーキテクチャサーチ(VTCAS)を用いたアーキテクチャ探索手法を提案する。
VTCASによって探索された高性能バックボーンネットワークは、畳み込みニューラルネットワークの望ましい特徴をトランスフォーマーアーキテクチャに導入する。
これは、特に低照度屋内シーンにおいて、物体認識のためのニューラルネットワークの堅牢性を高める。
論文 参考訳(メタデータ) (2022-03-20T02:59:51Z) - Fusformer: A Transformer-based Fusion Approach for Hyperspectral Image
Super-resolution [9.022005574190182]
低分解能ハイパースペクトル像と高分解能マルチスペクトル像を融合させるトランスフォーマーに基づくネットワークを設計する。
LR-HSIは主スペクトル構造を持つため、ネットワークは空間的詳細推定に重点を置いている。
様々な実験と品質指標は、他の最先端手法と比較して、我々のアプローチの優位性を示している。
論文 参考訳(メタデータ) (2021-09-05T14:00:34Z) - Interpretable Detail-Fidelity Attention Network for Single Image
Super-Resolution [89.1947690981471]
本研究では,スムースとディテールを段階的に分割・収束的に処理する,目的・解釈可能なディテール・ファイダリティ・アテンション・ネットワークを提案する。
特に,詳細推論において顕著な解釈可能な特徴表現のためのヘシアンフィルタを提案する。
実験により,提案手法は最先端手法よりも優れた性能を示すことが示された。
論文 参考訳(メタデータ) (2020-09-28T08:31:23Z) - Single Image Deraining via Scale-space Invariant Attention Neural
Network [58.5284246878277]
我々は,カメラに対するレインステーキの外観の視覚的変化に対処するスケールの概念に取り組む。
本稿では,画素領域よりもコンパクトでロバストな畳み込み特徴領域のマルチスケール相関を表現することを提案する。
このようにして、機能マップの最も活発な存在を、有能な特徴として要約する。
論文 参考訳(メタデータ) (2020-06-09T04:59:26Z) - 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)
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。