論文の概要: Mapping Low-Resolution Images To Multiple High-Resolution Images Using
Non-Adversarial Mapping
- arxiv url: http://arxiv.org/abs/2006.11708v2
- Date: Tue, 30 Jun 2020 18:14:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 11:30:11.241310
- Title: Mapping Low-Resolution Images To Multiple High-Resolution Images Using
Non-Adversarial Mapping
- Title（参考訳）: 非逆写像を用いた複数高分解能画像への低分解能画像のマッピング
- Authors: Vasileios Lioutas
- Abstract要約: まず第一に、SISRの問題は、低解像度画像と全候補高解像度画像との1対1のマッピング問題である、と我々は主張する。
本稿では,高解像度画像から高解像度画像への変換方法を学ぶモデルを提案する。
- 参考スコア（独自算出の注目度）: 6.302374268077337
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Several methods have recently been proposed for the Single Image
Super-Resolution (SISR) problem. The current methods assume that a single
low-resolution image can only yield a single high-resolution image. In
addition, all of these methods use low-resolution images that were artificially
generated through simple bilinear down-sampling. We argue that, first and
foremost, the problem of SISR is an one-to-many mapping problem between the
low-resolution and all possible candidate high-resolution images and we address
the challenging task of learning how to realistically degrade and down-sample
high-resolution images. To circumvent this problem, we propose SR-NAM which
utilizes the Non-Adversarial Mapping (NAM) technique. Furthermore, we propose a
degradation model that learns how to transform high-resolution images to
low-resolution images that resemble realistically taken low-resolution photos.
Finally, some qualitative results for the proposed method along with the
weaknesses of SR-NAM are included.
- Abstract（参考訳）: 近年,Single Image Super-Resolution (SISR) 問題に対するいくつかの手法が提案されている。
現在の手法では、単一の低解像度画像は単一の高解像度画像しか生成できないと仮定している。
さらに、これらの手法はすべて、単純な双線形ダウンサンプリングによって人工的に生成された低解像度画像を使用する。
まず第一に、SISRの問題は低解像度と全候補高解像度画像間の一対多マッピングの問題であり、高解像度画像を現実的に分解してダウンサンプル化する方法を学ぶという課題に対処する。
この問題を回避するために,Non-Adversarial Mapping (NAM) 技術を用いたSR-NAMを提案する。
さらに,高解像度画像を現実的に撮影された低解像度画像に似た低解像度画像に変換する方法を学ぶ分解モデルを提案する。
最後に,sr-namの弱みとともに,提案手法の定性的な結果も含む。
関連論文リスト
- LoLiSRFlow: Joint Single Image Low-light Enhancement and
Super-resolution via Cross-scale Transformer-based Conditional Flow [8.929704596997913]
ローライト強化(LLE)とスーパーレゾリューション(SR)に固有の劣化機構を検討するため,LoLiSRFLowと呼ばれる正規化フローネットワークを提案する。
LoLiSRFLowは、高解像度で露呈された画像に対する様々な実現可能な解に対する条件付き確率分布を学習する。
また,7100個の低分解能暗黒/高分解能のシャープペアを含むDFSR-LLEという,現実的な低分解能劣化をモデル化した合成データセットを提案する。
論文 参考訳（メタデータ） (2024-02-29T05:40:43Z) - How Real is Real: Evaluating the Robustness of Real-World Super
Resolution [0.0]
超解像は、高分解能画像上で行うダウンサンプリング法に頼って、既知の低分解能画像を形成するため、よく知られた問題である。
我々は,複数の最先端超解像法を評価し,様々な種類の実像を提示する際の性能評価を行う。
我々は、ほとんどの最先端超解法モデルにおいて差し迫った一般化問題を緩和する潜在的な解決策を提示する。
論文 参考訳（メタデータ） (2022-10-22T18:53:45Z) - Learning Resolution-Adaptive Representations for Cross-Resolution Person
Re-Identification [49.57112924976762]
低解像度(LR)クエリIDイメージと高解像度(HR)ギャラリーイメージとの整合性を実現する。
実際のカメラとの違いにより、クエリ画像が分解能の低下に悩まされることがしばしばあるため、これは困難かつ実用的な問題である。
本稿では,問合せ画像の解像度に適応する動的計量を用いて,HRとLRの画像を直接比較するためのSRフリーなパラダイムについて検討する。
論文 参考訳（メタデータ） (2022-07-09T03:49:51Z) - Multi-Modality Image Super-Resolution using Generative Adversarial
Networks [0.0]
画像超解像と多モード画像-画像変換の連立問題に対する解法を提案する。
この問題は、他のモードで同じ画像を低解像度で観察した場合に、高解像度の画像をモダリティで復元するものとして説明できる。
論文 参考訳（メタデータ） (2022-06-18T12:19:31Z) - SRWarp: Generalized Image Super-Resolution under Arbitrary
Transformation [65.88321755969677]
ディープCNNは、単一の画像超解像を含む画像処理とそのアプリケーションで大きな成功を収めています。
近年のアプローチでは、実測値のアップサンプリング要因にまで範囲を広げている。
任意の画像変換に向けてSRタスクをさらに一般化するSRWarpフレームワークを提案する。
論文 参考訳（メタデータ） (2021-04-21T02:50:41Z) - A Generative Model for Hallucinating Diverse Versions of Super
Resolution Images [0.3222802562733786]
我々は、生成逆数モデルを用いて、同じ低解像度画像から異なる高解像度バージョンを得るという問題に取り組んでいる。
学習アプローチでは,高分解能画像の学習において,教師なしの保存と探索に高周波数を活用できる。
論文 参考訳（メタデータ） (2021-02-12T17:11:42Z) - Image Restoration by Solving IVP [7.26562478548988]
任意のスケール画像超解法を解くために,画像超解法の新しい定式化を導入する。
提案された新しいSR製剤に基づいて、複数のスケールの超解像だけでなく、超解像プロセスのパフォーマンスを分析する新しい方法を見つけることができます。
論文 参考訳（メタデータ） (2021-01-22T07:59:48Z) - Image Matching with Scale Adjustment [57.18604132027697]
可変スケールでの関心点の表現と抽出方法を示す。
2つの異なる解像度で2つの画像を比較する方法を提案する。
論文 参考訳（メタデータ） (2020-12-10T11:03:25Z) - SRFlow: Learning the Super-Resolution Space with Normalizing Flow [176.07982398988747]
超解像度は、与えられた低解像度画像の複数の予測を可能にするため、不適切な問題である。
出力の条件分布を学習できる正規化フローベース超解法SRFlowを提案する。
我々のモデルは、単一損失、すなわち負のログ類似度を用いて、原則的に訓練されている。
論文 参考訳（メタデータ） (2020-06-25T06:34:04Z) - 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) - PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of
Generative Models [77.32079593577821]
PULSE (Photo Upsampling via Latent Space Exploration) は、それまで文献になかった解像度で高解像度でリアルな画像を生成する。
本手法は, 従来よりも高分解能, スケールファクターの知覚品質において, 最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2020-03-08T16:44:31Z)
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。