論文の概要: ImagePairs: Realistic Super Resolution Dataset via Beam Splitter Camera Rig

• arxiv url: http://arxiv.org/abs/2004.08513v1
• Date: Sat, 18 Apr 2020 03:06:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 05:44:53.450876
• Title: ImagePairs: Realistic Super Resolution Dataset via Beam Splitter Camera Rig
• Title（参考訳）: imagepairs:ビームスプリッターカメラによる超高解像度データセット
• Authors: Hamid Reza Vaezi Joze, Ilya Zharkov, Karlton Powell, Carl Ringler, Luming Liang, Andy Roulston, Moshe Lutz, Vivek Pradeep
• Abstract要約: 実画像データセットを収集するための新しいデータ取得手法を提案する。 我々はビームスプリッターを用いて、低解像度カメラと高解像度カメラで同じシーンを撮影する。 これらのタスクに使用される現在の小規模データセットとは異なり、提案データセットは11,421対の低解像度高解像度画像を含んでいる。
• 参考スコア（独自算出の注目度）: 13.925480922578869
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Super Resolution is the problem of recovering a high-resolution image from a single or multiple low-resolution images of the same scene. It is an ill-posed problem since high frequency visual details of the scene are completely lost in low-resolution images. To overcome this, many machine learning approaches have been proposed aiming at training a model to recover the lost details in the new scenes. Such approaches include the recent successful effort in utilizing deep learning techniques to solve super resolution problem. As proven, data itself plays a significant role in the machine learning process especially deep learning approaches which are data hungry. Therefore, to solve the problem, the process of gathering data and its formation could be equally as vital as the machine learning technique used. Herein, we are proposing a new data acquisition technique for gathering real image data set which could be used as an input for super resolution, noise cancellation and quality enhancement techniques. We use a beam-splitter to capture the same scene by a low resolution camera and a high resolution camera. Since we also release the raw images, this large-scale dataset could be used for other tasks such as ISP generation. Unlike current small-scale dataset used for these tasks, our proposed dataset includes 11,421 pairs of low-resolution high-resolution images of diverse scenes. To our knowledge this is the most complete dataset for super resolution, ISP and image quality enhancement. The benchmarking result shows how the new dataset can be successfully used to significantly improve the quality of real-world image super resolution.
• Abstract（参考訳）: スーパーレゾリューションは、同一シーンの1つまたは複数の低解像度画像から高解像度画像を復元する問題である。 低解像度画像では、シーンの高頻度の視覚的詳細が完全に失われるため、不適切な問題である。 これを解決するために、新しいシーンで失われた詳細を復元するモデルをトレーニングする目的で、多くの機械学習アプローチが提案されている。 このようなアプローチには、超解像問題の解決にディープラーニング技術を活用する取り組みが近年成功している。 証明されたように、データ自体が機械学習プロセスにおいて、特にデータに飢えているディープラーニングアプローチにおいて重要な役割を果たす。 したがって、この問題を解決するために、データの収集と生成のプロセスは、使用する機械学習技術と同等に重要である可能性がある。 本稿では,超高解像度,ノイズキャンセラ,品質向上のための入力として使用できる実画像データセットを収集するための新しいデータ取得手法を提案する。 我々はビームスプリッターを用いて、低解像度カメラと高解像度カメラで同じシーンを撮影する。 生画像もリリースしているので、この大規模なデータセットはISP生成など他のタスクにも使用できる。 これらのタスクに使用される現在の小規模データセットとは異なり、提案データセットは11,421対の解像度の低解像度画像を含む。 私たちの知る限り、これは超解像度、ISP、画質向上のための最も完全なデータセットです。 ベンチマークの結果は、実際の画像の超解像の画質を大幅に向上させるために、新しいデータセットをどのように利用できるかを示している。

関連論文リスト

• Large-Scale Data-Free Knowledge Distillation for ImageNet via Multi-Resolution Data Generation [53.95204595640208]
  Data-Free Knowledge Distillation (DFKD)は、教師モデルから生徒モデルへの知識伝達を可能にする高度な技術である。 従来のアプローチでは、実際の画像の情報を活用することなく、高解像度で合成画像を生成してきた。 MUSEは、クラスアクティベーションマップ(CAM)を使用して、低い解像度で画像を生成し、生成された画像が重要なクラス固有の特徴を保持することを保証する。
  論文  参考訳（メタデータ） (2024-11-26T02:23:31Z)
• 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)
• Efficient High-Resolution Deep Learning: A Survey [90.76576712433595]
  スマートフォン、衛星、医療機器などの現代の機器のカメラは、非常に高解像度の画像やビデオを撮影することができる。 このような高解像度データは、がん検出、自動道路ナビゲーション、天気予報、監視、農業プロセスの最適化、その他多くの応用のためのディープラーニングモデルによって処理される。 ディープラーニングモデルの直接入力として高解像度の画像とビデオを使用することで、パラメータの多さ、計算コスト、推論レイテンシ、GPUメモリ使用量など、多くの課題が生じる。 文献におけるいくつかの研究は、高解像度データの課題に対処し、ハードウェアの制限に従いながら精度とスピードを改善するために、より良い代替案を提案する。
  論文  参考訳（メタデータ） (2022-07-26T17:13:53Z)
• 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)
• A new public Alsat-2B dataset for single-image super-resolution [1.284647943889634]
  本稿では,低空間解像度画像(10m, 2.5m)と高空間解像度画像(10m, 2.5m)の新たなリモートセンシングデータセット(Alsat2B)を提案する。 パンシャープ化により高分解能画像を得る。 その結果,提案手法は有望であり,データセットの課題を強調していることがわかった。
  論文  参考訳（メタデータ） (2021-03-21T10:47:38Z)
• Exploiting Raw Images for Real-Scene Super-Resolution [105.18021110372133]
  本稿では,合成データと実撮影画像とのギャップを埋めるために,実シーンにおける単一画像の超解像化の問題について検討する。 本稿では,デジタルカメラの撮像過程を模倣して,よりリアルなトレーニングデータを生成する手法を提案する。 また、原画像に記録された放射情報を活用するために、2分岐畳み込みニューラルネットワークを開発した。
  論文  参考訳（メタデータ） (2021-02-02T16:10:15Z)
• Deep Burst Super-Resolution [165.90445859851448]
  バースト超解像タスクのための新しいアーキテクチャを提案する。 我々のネットワークは複数のノイズRAW画像を入力として取り出し、出力として分解された超解像RGB画像を生成する。 実世界のデータのトレーニングと評価を可能にするため,BurstSRデータセットも導入する。
  論文  参考訳（メタデータ） (2021-01-26T18:57:21Z)
• Learning When and Where to Zoom with Deep Reinforcement Learning [101.79271767464947]
  そこで本稿では,高解像度のデータをペアで,安価で低解像度の画像に対していつ,どこで使用・取得するかを識別する強化学習手法を提案する。 我々は、CIFAR10、CIFAR100、ImageNet、fMoWデータセット上で実験を行い、全高解像度画像を使用するモデルと同等の精度を維持しながら、非常に少ない高解像度データを使用する。
  論文  参考訳（メタデータ） (2020-03-01T07:16:46Z)

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。