論文の概要: SimUSR: A Simple but Strong Baseline for Unsupervised Image Super-resolution

• arxiv url: http://arxiv.org/abs/2004.11020v1
• Date: Thu, 23 Apr 2020 08:27:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-10 09:46:49.420449
• Title: SimUSR: A Simple but Strong Baseline for Unsupervised Image Super-resolution
• Title（参考訳）: SimUSR:教師なし画像超解像のためのシンプルだが強力なベースライン
• Authors: Namhyuk Ahn and Jaejun Yoo and Kyung-Ah Sohn
• Abstract要約: 我々は、完全に教師なしの超解像問題、すなわち、ペア画像と地上の真理HR画像の両方に対処する。 複数のLR画像を許容することにより、LR画像のデノイングとダウンサンプリングにより擬似ペアのセットを構築する。 この単純な手法は、実行時のレイテンシが劇的に短く、最先端の教師なし手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 21.89072742618842
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we tackle a fully unsupervised super-resolution problem, i.e., neither paired images nor ground truth HR images. We assume that low resolution (LR) images are relatively easy to collect compared to high resolution (HR) images. By allowing multiple LR images, we build a set of pseudo pairs by denoising and downsampling LR images and cast the original unsupervised problem into a supervised learning problem but in one level lower. Though this line of study is easy to think of and thus should have been investigated prior to any complicated unsupervised methods, surprisingly, there are currently none. Even more, we show that this simple method outperforms the state-of-the-art unsupervised method with a dramatically shorter latency at runtime, and significantly reduces the gap to the HR supervised models. We submitted our method in NTIRE 2020 super-resolution challenge and won 1st in PSNR, 2nd in SSIM, and 13th in LPIPS. This simple method should be used as the baseline to beat in the future, especially when multiple LR images are allowed during the training phase. However, even in the zero-shot condition, we argue that this method can serve as a useful baseline to see the gap between supervised and unsupervised frameworks.
• Abstract（参考訳）: 本稿では,完全教師なしの超解像問題,すなわちペア画像も基底真理hr画像も取り組まない問題に取り組む。 低分解能(LR)画像は高分解能(HR)画像と比較して比較的容易に収集できると仮定する。 複数のLR画像を許容することにより、LR画像のデノベートとダウンサンプル化を行い、元の教師なし問題を教師なし学習問題に1段階下方へ配置することで、擬似ペアのセットを構築する。 この研究は考えやすく、複雑な教師なしの手法に先立って研究されるべきだったのに、驚くべきことに、現時点では存在しない。 さらに,この単純な手法は,実行時のレイテンシを劇的に短縮することで,最先端の教師なしメソッドよりも優れており,hr教師付きモデルとのギャップを大幅に低減できることを示す。 我々は NTIRE 2020 で超解像挑戦を行い,PSNR で1位,SSIM で2位,LPIPS で13位となった。 この単純な手法は、特にトレーニングフェーズ中に複数のLR画像が許可された場合に、将来打破するためのベースラインとして使用されるべきである。 しかし、ゼロショット状態であっても、この手法は教師なしフレームワークと教師なしフレームワークのギャップを見るのに有用なベースラインとして役立つと論じる。

関連論文リスト

• ClearSR: Latent Low-Resolution Image Embeddings Help Diffusion-Based Real-World Super Resolution Models See Clearer [68.72454974431749]
  本稿では、拡散に基づく実世界の超解像(Real-ISR)に対する潜在低分解能画像(LR)埋め込みの利点を活かす新しい手法であるClearSRを提案する。 提案モデルでは,複数のテストセット上で複数の測定値にまたがる性能が向上し,既存の手法よりもLR画像でより一貫したSR結果が得られる。
  論文  参考訳（メタデータ） (2024-10-18T08:35:57Z)
• Self-Supervised Learning for Real-World Super-Resolution from Dual and Multiple Zoomed Observations [61.448005005426666]
  スマートフォン用レファレンスベーススーパーレゾリューション(RefSR)における2つの課題について考察する。 本稿では,デュアルカメラとマルチカメラのズームで観測した実世界のRefSRに対して,新たな自己教師型学習手法を提案する。
  論文  参考訳（メタデータ） (2024-05-03T15:20:30Z)
• Self-Supervised Learning for Real-World Super-Resolution from Dual Zoomed Observations [66.09210030518686]
  デュアルカメラズーム(SelfDZSR)で観測した実世界のRefSRに対する新しい自己教師型学習手法を提案する。 最初の問題として、よりズームされた(望遠的な)画像は、より少ないズームされた(短焦点)画像のSRをガイドする参照として自然に利用することができる。 2つ目の問題として、セルフDZSRは、短焦点画像のSR結果を得るための深層ネットワークを、望遠画像と同じ解像度で学習する。
  論文  参考訳（メタデータ） (2022-03-02T13:30:56Z)
• 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)
• 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)
• Robust Single-Image Super-Resolution via CNNs and TV-TV Minimization [7.538482310185135]
  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。
  論文  参考訳（メタデータ） (2020-04-02T07:06:55Z)
• Closed-loop Matters: Dual Regression Networks for Single Image Super-Resolution [73.86924594746884]
  ディープニューラルネットワークは、画像超解像において有望な性能を示した。 これらのネットワークは、低分解能(LR)画像から高分解能(HR)画像への非線形マッピング関数を学習する。 本稿では,可能な関数の空間を削減するために,LRデータに新たな制約を導入することで,二重回帰手法を提案する。
  論文  参考訳（メタデータ） (2020-03-16T04:23:42Z)
• 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)

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。