論文の概要: Enhancing Perceptual Loss with Adversarial Feature Matching for Super-Resolution

• arxiv url: http://arxiv.org/abs/2005.07502v1
• Date: Fri, 15 May 2020 12:36:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 23:38:05.381053
• Title: Enhancing Perceptual Loss with Adversarial Feature Matching for Super-Resolution
• Title（参考訳）: 超解像に対する対立特徴マッチングによる知覚損失の増大
• Authors: Akella Ravi Tej, Shirsendu Sukanta Halder, Arunav Pratap Shandeelya, Vinod Pankajakshan
• Abstract要約: 単一画像超解法 (SISR) は不確定な数の有効解を持つ不確定問題である。 これらのパターンアーティファクトの根本原因は、知覚的損失の事前学習目標と超解答目標とのミスマッチに遡ることができる。
• 参考スコア（独自算出の注目度）: 5.258555266148511
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single image super-resolution (SISR) is an ill-posed problem with an indeterminate number of valid solutions. Solving this problem with neural networks would require access to extensive experience, either presented as a large training set over natural images or a condensed representation from another pre-trained network. Perceptual loss functions, which belong to the latter category, have achieved breakthrough success in SISR and several other computer vision tasks. While perceptual loss plays a central role in the generation of photo-realistic images, it also produces undesired pattern artifacts in the super-resolved outputs. In this paper, we show that the root cause of these pattern artifacts can be traced back to a mismatch between the pre-training objective of perceptual loss and the super-resolution objective. To address this issue, we propose to augment the existing perceptual loss formulation with a novel content loss function that uses the latent features of a discriminator network to filter the unwanted artifacts across several levels of adversarial similarity. Further, our modification has a stabilizing effect on non-convex optimization in adversarial training. The proposed approach offers notable gains in perceptual quality based on an extensive human evaluation study and a competent reconstruction fidelity when tested on objective evaluation metrics.
• Abstract（参考訳）: 単一画像超解法 (SISR) は不確定な数の有効解を持つ不確定問題である。 ニューラルネットワークでこの問題を解決するには、自然画像上の大きなトレーニングセットや、別の事前学習されたネットワークからの凝縮表現として提示される、広範なエクスペリエンスへのアクセスが必要になる。 後者のカテゴリに属する知覚損失関数は、SISRや他のコンピュータビジョンタスクにおいて画期的な成功を収めている。 知覚損失はフォトリアリスティック画像の生成において中心的な役割を果たすが、超解像出力における望ましくないパターンアーティファクトも生成する。 本稿では,これらのパターンアーティファクトの根本原因を,知覚的損失の事前学習目標と超解像目標とのミスマッチに遡ることができることを示す。 この問題に対処するために,既存の知覚損失定式化を,識別器ネットワークの潜伏特徴を用いて,不必要なアーティファクトをいくつかの相似性レベルにわたってフィルタリングする新しいコンテンツ損失関数で強化する。 さらに, 本修正は, 対向訓練における非凸最適化に対する安定化効果を有する。 提案手法は, 客観的評価指標を用いて, 広範囲な人間評価研究と有能な再構築忠実性に基づいて, 知覚的品質の顕著な向上をもたらす。

関連論文リスト

• Improving Neural Surface Reconstruction with Feature Priors from Multi-View Image [87.00660347447494]
  ニューラルサーフェス・コンストラクション(NSR)の最近の進歩は、ボリュームレンダリングと組み合わせることで、マルチビュー・コンストラクションを著しく改善している。 本稿では,多種多様な視覚的タスクから価値ある特徴を活用すべく,特徴レベルの一貫した損失について検討する。 DTU と EPFL を用いて解析した結果,画像マッチングと多視点ステレオデータセットによる特徴が,他のプリテキストタスクよりも優れていたことが判明した。
  論文  参考訳（メタデータ） (2024-08-04T16:09:46Z)
• 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)
• Dual Perceptual Loss for Single Image Super-Resolution Using ESRGAN [13.335546116599494]
  本稿では,従来の知覚損失を置き換えるためにDP損失(Dual Perceptual Loss)と呼ばれる手法を提案する。 VGG特徴とResNet特徴の相補的な性質のため、提案されたDPロスは2つの特徴を同時に学習する利点を考察する。 ベンチマークデータセットの定性的および定量的解析により,提案手法が最先端の超解像法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-17T12:42:56Z)
• A-ESRGAN: Training Real-World Blind Super-Resolution with Attention U-Net Discriminators [0.0]
  ブラインド画像超解像(SR)は、未知の複雑な歪みに苦しむ低解像度画像の復元を目的とした、CVにおける長年の課題である。 本稿では,A-ESRGANについて述べる。A-ESRGAN,A-ESRGAN,A-ESRGAN,A-ESRGAN,A-ESRGAN,A-ESRGAN,A-ESRGAN。
  論文  参考訳（メタデータ） (2021-12-19T02:50:23Z)
• Learning GAN-based Foveated Reconstruction to Recover Perceptually Important Image Features [0.0]
  本研究では, 埋設工法を効率的に指導する上での問題点を考察する。 私たちの一番の目標は、人間が検出できない歪みに対してトレーニング手順の感度を下げることです。 評価の結果, 画像再構成の精度は, GANベースのトレーニング手法に比べて有意に向上した。
  論文  参考訳（メタデータ） (2021-08-07T18:39:49Z)
• Training a Better Loss Function for Image Restoration [17.20936270604533]
  単一画像のスーパーレゾリューションで最先端の損失関数を上回る軽量な特徴抽出器を訓練するには,単一の自然画像だけで十分であることを示す。 発電機が導入した誤差を罰するように訓練された一連の識別器からなる新しいマルチスケール識別特徴(MDF)損失を提案する。
  論文  参考訳（メタデータ） (2021-03-26T17:29:57Z)
• Invertible Image Rescaling [118.2653765756915]
  Invertible Rescaling Net (IRN) を開発した。 我々は、ダウンスケーリングプロセスにおいて、指定された分布に従う潜在変数を用いて、失われた情報の分布をキャプチャする。
  論文  参考訳（メタデータ） (2020-05-12T09:55:53Z)
• Real-world Person Re-Identification via Degradation Invariance Learning [111.86722193694462]
  現実のシナリオにおける人物再識別(Re-ID)は通常、低解像度、弱い照明、ぼやけ、悪天候などの様々な劣化要因に悩まされる。 本稿では,現実世界のRe-IDを対象とした劣化不変学習フレームワークを提案する。 自己教師付き不整合表現学習戦略を導入することにより,個人性に関連する頑健な特徴を同時に抽出することができる。
  論文  参考訳（メタデータ） (2020-04-10T07:58:50Z)
• Gated Fusion Network for Degraded Image Super Resolution [78.67168802945069]
  本稿では,基本特徴と回復特徴を別々に抽出する二分岐畳み込みニューラルネットワークを提案する。 特徴抽出ステップを2つのタスク非依存ストリームに分解することで、デュアルブランチモデルがトレーニングプロセスを容易にすることができる。
  論文  参考訳（メタデータ） (2020-03-02T13:28:32Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)

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。