論文の概要: Iterative Network for Image Super-Resolution
- arxiv url: http://arxiv.org/abs/2005.09964v3
- Date: Wed, 5 Jan 2022 01:56:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 06:08:00.418841
- Title: Iterative Network for Image Super-Resolution
- Title（参考訳）: 画像超解像の反復的ネットワーク
- Authors: Yuqing Liu, Shiqi Wang, Jian Zhang, Shanshe Wang, Siwei Ma and Wen Gao
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 69.07361550998318
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Single image super-resolution (SISR), as a traditional ill-conditioned
inverse problem, has been greatly revitalized by the recent development of
convolutional neural networks (CNN). These CNN-based methods generally map a
low-resolution image to its corresponding high-resolution version with
sophisticated network structures and loss functions, showing impressive
performances. This paper provides a new insight on conventional SISR algorithm,
and proposes a substantially different approach relying on the iterative
optimization. A novel iterative super-resolution network (ISRN) is proposed on
top of the iterative optimization. We first analyze the observation model of
image SR problem, inspiring a feasible solution by mimicking and fusing each
iteration in a more general and efficient manner. Considering the drawbacks of
batch normalization, we propose a feature normalization (F-Norm, FN) method to
regulate the features in network. Furthermore, a novel block with FN is
developed to improve the network representation, termed as FNB.
Residual-in-residual structure is proposed to form a very deep network, which
groups FNBs with a long skip connection for better information delivery and
stabling the training phase. Extensive experimental results on testing
benchmarks with bicubic (BI) degradation show our ISRN can not only recover
more structural information, but also achieve competitive or better PSNR/SSIM
results with much fewer parameters compared to other works. Besides BI, we
simulate the real-world degradation with blur-downscale (BD) and
downscale-noise (DN). ISRN and its extension ISRN+ both achieve better
performance than others with BD and DN degradation models.
- Abstract（参考訳）: 単一画像超解像(SISR)は、従来の不条件逆問題として、近年の畳み込みニューラルネットワーク(CNN)の発展により、大幅に復活した。
これらのCNNベースの手法は、通常、高解像度の画像を、洗練されたネットワーク構造と損失関数を持つ対応する高解像度バージョンにマッピングし、印象的な性能を示す。
本稿では,従来の sisr アルゴリズムに対する新たな洞察を与え,反復最適化に依拠した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。
まず,画像sr問題の観測モデルを解析し,各イテレーションをより汎用的かつ効率的な方法で模倣・融合することにより,実現可能な解を導出する。
バッチ正規化の欠点を考慮し、ネットワーク内の特徴を規制する特徴正規化法(F-Norm, FN)を提案する。
さらに、FNを用いた新しいブロックを開発し、FNBと呼ばれるネットワーク表現を改善する。
fnbを長いスキップ接続でグループ化し、よりよい情報配信とトレーニングフェーズの安定化を図る。
バイキュビック (BI) を劣化させたベンチマーク実験の結果,ISRNはより多くの構造情報を復元できるだけでなく,PSNR/SSIMの競合性も向上し,他の研究に比べてパラメータがはるかに少ない結果が得られた。
BIの他に,ボケダウンスケール (BD) とダウンスケールノイズ (DN) による実世界の劣化をシミュレートする。
ISRNとその拡張ISRN+は、BDおよびDN劣化モデルで他のものよりも優れた性能を達成する。
関連論文リスト
- Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。
本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。
本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
論文 参考訳（メタデータ） (2023-03-16T21:06:13Z) - 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) - Robust Deep Compressive Sensing with Recurrent-Residual Structural
Constraints [0.0]
既存のディープラーニング(CS)手法は、適応的なオンライン最適化を無視するか、コストのかかる反復的な再構築に依存している。
この研究は、R$2$CS-NETと呼ばれる再帰的構造制約を持つ新しいイメージCSフレームワークを探索する。
適応型オンライン最適化を効率的にブリッジする最初のディープCSフレームワークとして、R$2$CS-NETは、オンライン最適化の堅牢性とディープラーニング手法の効率性と非線形能力を統合する。
論文 参考訳（メタデータ） (2022-07-15T05:56:13Z) - 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) - DeepRLS: A Recurrent Network Architecture with Least Squares Implicit
Layers for Non-blind Image Deconvolution [15.986942312624]
非盲点画像デコンボリューションの問題について検討する。
本稿では,画像品質の非常に競争力のある復元結果をもたらす新しい再帰的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） (2021-12-10T13:16:51Z) - Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。
OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。
提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
論文 参考訳（メタデータ） (2021-06-16T15:56:34Z) - 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) - Image Super-Resolution with Cross-Scale Non-Local Attention and
Exhaustive Self-Exemplars Mining [66.82470461139376]
本稿では,再帰型ニューラルネットワークに統合されたCS-NLアテンションモジュールを提案する。
新しいCS-NLと局所的および非局所的非局所的前駆体を強力な再帰核融合セルで組み合わせることで、単一の低分解能画像内でよりクロススケールな特徴相関を見出すことができる。
論文 参考訳（メタデータ） (2020-06-02T07:08:58Z) - 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。