論文の概要: Residual Channel Attention Generative Adversarial Network for Image
Super-Resolution and Noise Reduction
- arxiv url: http://arxiv.org/abs/2004.13674v1
- Date: Tue, 28 Apr 2020 17:23:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 23:34:57.909274
- Title: Residual Channel Attention Generative Adversarial Network for Image
Super-Resolution and Noise Reduction
- Title(参考訳): 画像超解像とノイズ低減のための残留チャネルアテンション生成アドバイザラルネットワーク
- Authors: Jie Cai, Zibo Meng, Chiu Man Ho
- Abstract要約: 深層ネットワークが深まるにつれて、トレーニングが難しくなり、より細かいテクスチャの詳細を復元することが難しくなります。
本稿では,これらの問題を解決するために,Residual Channel Attention-Generative Adversarial Network (RCA-GAN)を提案する。
RCA-GANは、ベースラインモデルよりも細部と自然なテクスチャで、常に視覚的品質が向上する。
- 参考スコア(独自算出の注目度): 14.217260022873083
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image super-resolution is one of the important computer vision techniques
aiming to reconstruct high-resolution images from corresponding low-resolution
ones. Most recently, deep learning-based approaches have been demonstrated for
image super-resolution. However, as the deep networks go deeper, they become
more difficult to train and more difficult to restore the finer texture
details, especially under real-world settings. In this paper, we propose a
Residual Channel Attention-Generative Adversarial Network(RCA-GAN) to solve
these problems. Specifically, a novel residual channel attention block is
proposed to form RCA-GAN, which consists of a set of residual blocks with
shortcut connections, and a channel attention mechanism to model the
interdependence and interaction of the feature representations among different
channels. Besides, a generative adversarial network (GAN) is employed to
further produce realistic and highly detailed results. Benefiting from these
improvements, the proposed RCA-GAN yields consistently better visual quality
with more detailed and natural textures than baseline models; and achieves
comparable or better performance compared with the state-of-the-art methods for
real-world image super-resolution.
- Abstract(参考訳): 画像超解像は、対応する低解像度画像から高解像度画像を再構成することを目的とした重要なコンピュータビジョン技術の1つである。
最近では、画像超解像のためのディープラーニングベースのアプローチが実証されている。
しかし、ディープネットワークが深まるにつれ、トレーニングが難しくなり、特に現実世界の設定下において、より細かいテクスチャの詳細を復元することが難しくなる。
本稿では,これらの問題を解決するために,Residual Channel Attention-Generative Adversarial Network (RCA-GAN)を提案する。
具体的には,異なるチャネル間の特徴表現の相互依存性と相互作用をモデル化するチャネルアテンション機構と,ショートカット接続を持つ残差ブロックからなるRCA-GANを形成するために,新しい残差チャネルアテンションブロックを提案する。
さらに, GAN(Generative Adversarial Network)を用いて, より現実的で詳細な結果を生成する。
これらの改良の恩恵を受け、rca-ganはベースラインモデルよりも詳細なテクスチャと自然なテクスチャで一貫して優れた視覚品質を実現し、実世界画像の超高解像度化のための最先端の手法と同等あるいは優れた性能を実現している。
関連論文リスト
- A Heterogeneous Dynamic Convolutional Neural Network for Image
Super-resolution [111.97970576223622]
画像超解像(HDSRNet)における異種動的畳み込みネットワークを提案する。
下位のネットワークは対称アーキテクチャを使用して、異なるレイヤの関係を強化し、より構造的な情報をマイニングする。
実験結果から,HDSRNetは画像解決に有効であることが示唆された。
論文 参考訳(メタデータ) (2024-02-24T03:44:06Z) - Cross-View Hierarchy Network for Stereo Image Super-Resolution [14.574538513341277]
ステレオ画像スーパーレゾリューションは、ビュー間の相補的な情報を活用することにより、高解像度ステレオ画像ペアの品質を向上させることを目的としている。
ステレオ画像超解法(CVHSSR)のためのクロスビュー階層ネットワーク(Cross-View-Hierarchy Network)という新しい手法を提案する。
CVHSSRは、パラメータを減らしながら、他の最先端手法よりも最高のステレオ画像超解像性能を達成する。
論文 参考訳(メタデータ) (2023-04-13T03:11:30Z) - RDRN: Recursively Defined Residual Network for Image Super-Resolution [58.64907136562178]
深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像において顕著な性能を得た。
本稿では,注目ブロックを効率的に活用する新しいネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-11-17T11:06:29Z) - Hierarchical Similarity Learning for Aliasing Suppression Image
Super-Resolution [64.15915577164894]
エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。
HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
論文 参考訳(メタデータ) (2022-06-07T14:55:32Z) - Image Super-resolution with An Enhanced Group Convolutional Neural
Network [102.2483249598621]
学習能力の強いCNNは、超解像問題を解くために広く選択されている。
浅層構造を持つ超解像群CNN(ESRGCNN)を提案する。
ESRGCNNは、SISRの性能、複雑さ、実行速度、画質評価およびSISRの視覚効果の観点から、最先端技術を上回っていると報告されている。
論文 参考訳(メタデータ) (2022-05-29T00:34:25Z) - Deep Networks for Image and Video Super-Resolution [30.75380029218373]
単一画像超解像(SISR)は、MDCB(Mixed-Dense connection block)と呼ばれる効率的な畳み込みユニットを用いて構築される。
ネットワークの2つのバージョンをトレーニングし、異なる損失構成を用いて相補的な画像品質を向上させる。
ネットワークは複数のフレームから情報を集約し,時間的整合性を維持するために学習する。
論文 参考訳(メタデータ) (2022-01-28T09:15:21Z) - 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) - iSeeBetter: Spatio-temporal video super-resolution using recurrent
generative back-projection networks [0.0]
ビデオ超解像(VSR)に対する新しいGANに基づく構造時間的アプローチiSeeBetterを提案する。
iSeeBetterは、リカレントバックプロジェクションネットワークをジェネレータとして使用して、現在のフレームと隣接するフレームから時空間情報を抽出する。
以上の結果から,iSeeBetterはVSRの忠実度に優れ,最先端の性能に勝ることを示した。
論文 参考訳(メタデータ) (2020-06-13T01:36:30Z) - 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) - 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。