論文の概要: Deep Interleaved Network for Image Super-Resolution With Asymmetric Co-Attention

• arxiv url: http://arxiv.org/abs/2004.11814v1
• Date: Fri, 24 Apr 2020 15:49:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-10 04:03:27.043144
• Title: Deep Interleaved Network for Image Super-Resolution With Asymmetric Co-Attention
• Title（参考訳）: 非対称コアテンションを用いた画像超解像のためのディープインターリーブドネットワーク
• Authors: Feng Li, Runming Cong, Huihui Bai, and Yifan He
• Abstract要約: 画像SRにおいて、異なる状態の情報をどのように組み合わせるべきかを学ぶために、ディープインターリーブドネットワーク(DIN)を提案する。 我々のDINは、複数の相互接続された枝を異なる状態にインターリーブしてヒューズすることができるマルチブランチパターンに従っています。 さらに,非対称コアテンション (AsyCA) が提案され,異なる状態からの情報的特徴を適応的に強調するために,インターリーブノードに攻撃される。
• 参考スコア（独自算出の注目度）: 11.654141322782074
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, Convolutional Neural Networks (CNN) based image super-resolution (SR) have shown significant success in the literature. However, these methods are implemented as single-path stream to enrich feature maps from the input for the final prediction, which fail to fully incorporate former low-level features into later high-level features. In this paper, to tackle this problem, we propose a deep interleaved network (DIN) to learn how information at different states should be combined for image SR where shallow information guides deep representative features prediction. Our DIN follows a multi-branch pattern allowing multiple interconnected branches to interleave and fuse at different states. Besides, the asymmetric co-attention (AsyCA) is proposed and attacked to the interleaved nodes to adaptively emphasize informative features from different states and improve the discriminative ability of networks. Extensive experiments demonstrate the superiority of our proposed DIN in comparison with the state-of-the-art SR methods.
• Abstract（参考訳）: 近年,畳み込みニューラルネットワーク (CNN) を用いた画像超解像 (SR) が文献で大きな成功を収めている。 しかし,これらの手法は入力からの特徴マップを拡張して最終的な予測を行うために単一パスストリームとして実装されている。 本稿では,この問題を解決するために,浅層情報に代表的特徴を反映した画像SRに対して,異なる状態の情報をどのように組み合わせるべきかを学ぶためのディープインターリーブドネットワーク(DIN)を提案する。 我々のDINは、複数の相互接続された枝を異なる状態にインターリーブしてヒューズすることができるマルチブランチパターンに従っています。 さらに,非対称コアテンション (AsyCA) が提案され,異なる状態からの情報的特徴を適応的に強調し,ネットワークの識別能力を向上させる。 我々の提案したDIN法と最先端のSR法を比較検討した。

関連論文リスト

• Deep Diversity-Enhanced Feature Representation of Hyperspectral Images [87.47202258194719]
  トポロジを改良して3次元畳み込みを補正し,上行階の高次化を図る。 また、要素間の独立性を最大化するために特徴マップに作用する新しい多様性対応正規化(DA-Reg)項を提案する。 提案したRe$3$-ConvSetとDA-Regの優位性を実証するために,様々なHS画像処理および解析タスクに適用する。
  論文  参考訳（メタデータ） (2023-01-15T16:19:18Z)
• A heterogeneous group CNN for image super-resolution [127.2132400582117]
  畳み込みニューラルネットワーク(CNN)は、深いアーキテクチャを通して顕著な性能を得た。 異種グループSR CNN(HGSRCNN)を,異なるタイプの構造情報を利用して高品質な画像を得る。
  論文  参考訳（メタデータ） (2022-09-26T04:14:59Z)
• Image Superresolution using Scale-Recurrent Dense Network [30.75380029218373]
  畳み込みニューラルネットワーク(CNN)の設計の最近の進歩は、画像超解像(SR)の性能を大幅に向上させた。 残差ブロック内の一連の密接な接続を含む単位上に構築されたスケールリカレントSRアーキテクチャを提案する(Residual Dense Blocks (RDBs))。 我々のスケールリカレント設計は、現在の最先端のアプローチに比べてパラメトリックに効率的でありながら、より高いスケール要因の競合性能を提供する。
  論文  参考訳（メタデータ） (2022-01-28T09:18:43Z)
• Image Compressed Sensing Using Non-local Neural Network [43.51101614942895]
  本稿では,非局所ニューラルネットワーク(NL-CSNet)を用いた新しい画像CSフレームワークを提案する。 提案したNL-CSNetでは,非局所的な自己相似性を生かした2つの非局所ワークが構築されている。 マルチスケール特徴領域のサブネットワークでは,高密度特徴表現間の親和性について検討する。
  論文  参考訳（メタデータ） (2021-12-07T14:06:12Z)
• Discovering "Semantics" in Super-Resolution Networks [54.45509260681529]
  超解像(SR)は低レベルの視覚領域の基本的で代表的な課題である。 一般に、SRネットワークから抽出された特徴は特定の意味情報を持たないと考えられている。 SRネットワークで「セマンティック」を見つけることはできますか?
  論文  参考訳（メタデータ） (2021-08-01T09:12:44Z)
• Feedback Pyramid Attention Networks for Single Image Super-Resolution [37.58180059860872]
  特徴の相互依存を完全に活用するためのフィードバックピラミッドアテンションネットワーク(FPAN)を提案する。 本手法では,第1段階の各レイヤの出力を次の状態の対応するレイヤの入力として使用し,以前の低レベルフィルタを再更新する。 本研究では,グローバルな文脈情報を異なるスケールでモデル化するピラミッド非局所構造を導入し,ネットワークの識別表現を改善する。
  論文  参考訳（メタデータ） (2021-06-13T11:32:53Z)
• Learning Deep Interleaved Networks with Asymmetric Co-Attention for Image Restoration [65.11022516031463]
  本稿では,高品質(本社)画像再構成のために,異なる状態の情報をどのように組み合わせるべきかを学習するディープインターリーブドネットワーク(DIN)を提案する。 本稿では,各インターリーブノードにアタッチメントされた非対称なコアテンション(AsyCA)を提案し,その特性依存性をモデル化する。 提案したDINはエンドツーエンドで訓練でき、様々な画像復元タスクに適用できる。
  論文  参考訳（メタデータ） (2020-10-29T15:32:00Z)
• Deep Iterative Residual Convolutional Network for Single Image Super-Resolution [31.934084942626257]
  我々は、ISRResCNet(Deep Iterative Super-Resolution Residual Convolutional Network)を提案する。 残差学習アプローチを用いて、深層ネットワークを反復的に訓練することにより、強力な画像正規化と大規模最適化手法を活用する。 トレーニング可能なパラメータがいくつかある本手法は,最先端の手法と比較して,異なるスケーリング要因に対する結果を改善する。
  論文  参考訳（メタデータ） (2020-09-07T12:54:14Z)
• Iterative Network for Image Super-Resolution [69.07361550998318]
  単一画像超解像(SISR)は、最近の畳み込みニューラルネットワーク(CNN)の発展により、大幅に活性化されている。 本稿では、従来のSISRアルゴリズムに関する新たな知見を提供し、反復最適化に依存するアプローチを提案する。 反復最適化の上に,新しい反復型超解像ネットワーク (ISRN) を提案する。
  論文  参考訳（メタデータ） (2020-05-20T11:11:47Z)
• Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
  シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。 本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。 我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
  論文  参考訳（メタデータ） (2020-04-08T10:08:20Z)

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。