論文の概要: Single Image Super-Resolution via Residual Neuron Attention Networks

• arxiv url: http://arxiv.org/abs/2005.10455v1
• Date: Thu, 21 May 2020 04:01:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 23:57:04.478462
• Title: Single Image Super-Resolution via Residual Neuron Attention Networks
• Title（参考訳）: 残留ニューロンアテンションネットワークによる単一画像超解像
• Authors: Wenjie Ai, Xiaoguang Tu, Shilei Cheng, Mei Xie
• Abstract要約: 我々は、より効率的かつ効果的な単一画像超解法(SISR)のための、新しいエンド・ツー・エンド残留ニューロン注意ネットワーク(RNAN)を提案する。 我々のRNANは、よく設計されたGCRG(Global Context-enhanced Residual Groups)のシーケンシャルな統合であり、粗い部分から細かい部分まで超解な特徴を抽出する。 実験の結果,我々のRNANは定量的な測定値と視覚的品質の両方の観点から,最先端の手法で同等の結果が得られることが示された。
• 参考スコア（独自算出の注目度）: 1.1470070927586016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep Convolutional Neural Networks (DCNNs) have achieved impressive performance in Single Image Super-Resolution (SISR). To further improve the performance, existing CNN-based methods generally focus on designing deeper architecture of the network. However, we argue blindly increasing network's depth is not the most sensible way. In this paper, we propose a novel end-to-end Residual Neuron Attention Networks (RNAN) for more efficient and effective SISR. Structurally, our RNAN is a sequential integration of the well-designed Global Context-enhanced Residual Groups (GCRGs), which extracts super-resolved features from coarse to fine. Our GCRG is designed with two novelties. Firstly, the Residual Neuron Attention (RNA) mechanism is proposed in each block of GCRG to reveal the relevance of neurons for better feature representation. Furthermore, the Global Context (GC) block is embedded into RNAN at the end of each GCRG for effectively modeling the global contextual information. Experiments results demonstrate that our RNAN achieves the comparable results with state-of-the-art methods in terms of both quantitative metrics and visual quality, however, with simplified network architecture.
• Abstract（参考訳）: deep convolutional neural networks (dcnns) はシングルイメージスーパーレゾリューション (sisr) で素晴らしい性能を達成している。 パフォーマンスをさらに向上するため、既存のCNNベースの手法は一般にネットワークのより深いアーキテクチャの設計に重点を置いている。 しかし,ネットワークの奥行きを盲目的に増やすことは,最も賢明な方法ではない。 本稿では、より効率的かつ効果的なSISRのための新しいエンド・ツー・エンド残留ニューロン注意ネットワーク(RNAN)を提案する。 構造的には、我々のRNANはよく設計されたGCRG(Global Context-enhanced Residual Groups)の逐次的な統合であり、粗い特徴から細かい特徴を抽出する。 私たちのGCRGは2つの斬新さで設計されています。 まず、GCRGの各ブロックにResidual Neuron Attention(RNA)機構を提案し、より優れた特徴表現のためのニューロンの関連を明らかにする。 さらに、グローバルコンテキスト(GC)ブロックを各GCRGの最後にRNANに埋め込み、グローバルコンテキスト情報を効果的にモデル化する。 実験の結果,rnanは定量的指標と視覚品質の両面で最先端の手法と同等の結果を得ることができたが,ネットワークアーキテクチャが簡略化された。

関連論文リスト

• 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)
• SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
  スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。 近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。 本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。 本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-05-31T15:55:37Z)
• 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)
• Convolutional versus Self-Organized Operational Neural Networks for Real-World Blind Image Denoising [25.31981236136533]
  初めてDeep Self-ONNを採用することで、現実世界の盲目の画像消音問題に取り組みます。 ディープセルフオンはPSNRで最大1.76dBの性能向上で常に優れた結果を達成します。
  論文  参考訳（メタデータ） (2021-03-04T14:49:17Z)
• Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
  本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。 このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。 本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
  論文  参考訳（メタデータ） (2020-07-03T01:37:16Z)
• 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)
• Dense Residual Network: Enhancing Global Dense Feature Flow for Character Recognition [75.4027660840568]
  本稿では,すべての畳み込み層から階層的特徴をフルに活用することにより,局所的・大域的特徴フローを改善する方法について検討する。 技術的には、テキスト認識のための効率的で効果的なCNNフレームワークであるFDRN(Fast Dense Residual Network)を提案する。
  論文  参考訳（メタデータ） (2020-01-23T06:55:08Z)

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。