論文の概要: SRFlow: Learning the Super-Resolution Space with Normalizing Flow

• arxiv url: http://arxiv.org/abs/2006.14200v2
• Date: Fri, 31 Jul 2020 14:55:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 04:24:38.981776
• Title: SRFlow: Learning the Super-Resolution Space with Normalizing Flow
• Title（参考訳）: SRFlow: 正規化フローによる超解法空間の学習
• Authors: Andreas Lugmayr and Martin Danelljan and Luc Van Gool and Radu Timofte
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 176.07982398988747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Super-resolution is an ill-posed problem, since it allows for multiple predictions for a given low-resolution image. This fundamental fact is largely ignored by state-of-the-art deep learning based approaches. These methods instead train a deterministic mapping using combinations of reconstruction and adversarial losses. In this work, we therefore propose SRFlow: a normalizing flow based super-resolution method capable of learning the conditional distribution of the output given the low-resolution input. Our model is trained in a principled manner using a single loss, namely the negative log-likelihood. SRFlow therefore directly accounts for the ill-posed nature of the problem, and learns to predict diverse photo-realistic high-resolution images. Moreover, we utilize the strong image posterior learned by SRFlow to design flexible image manipulation techniques, capable of enhancing super-resolved images by, e.g., transferring content from other images. We perform extensive experiments on faces, as well as on super-resolution in general. SRFlow outperforms state-of-the-art GAN-based approaches in terms of both PSNR and perceptual quality metrics, while allowing for diversity through the exploration of the space of super-resolved solutions.
• Abstract（参考訳）: 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。 この基本的な事実は、最先端のディープラーニングベースのアプローチによって無視されている。 これらの手法は、リコンストラクションと敵対的損失の組み合わせを使って決定論的マッピングを訓練する。 そこで本研究では,低解像度入力の出力条件分布を学習可能な正規化フローベースの超解像法であるsrflowを提案する。 我々のモデルは、単一の損失、すなわち負のログ類似性を用いて原則的に訓練される。 したがって、SRFlowは問題の本質を直接的に説明し、多彩なフォトリアリスティックな高解像度画像を予測することを学ぶ。 また,srflowが学習した強像後段を柔軟な画像操作技術として活用し,他の画像からのコンテンツの転送などによる超解像の高分解能化を実現する。 我々は, 顔や超解像性全般について, 広範囲にわたる実験を行った。 SRFlowは、PSNRと知覚品質指標の両方の観点から、最先端のGANベースのアプローチよりも優れており、超解解の空間を探索することで多様性を実現する。

関連論文リスト

• Boosting Flow-based Generative Super-Resolution Models via Learned Prior [8.557017814978334]
  フローベース超解像(SR)モデルは、高品質な画像を生成する際に驚くべき能力を示した。 これらの手法は、グリッドアーティファクト、爆発する逆数、固定サンプリング温度による最適以下の結果など、画像生成中にいくつかの課題に遭遇する。 本研究では、フローベースSRモデルの推論フェーズ前に学習した条件を導入する。
  論文  参考訳（メタデータ） (2024-03-16T18:04:12Z)
• Local Implicit Normalizing Flow for Arbitrary-Scale Image Super-Resolution [11.653044501483667]
  本稿では, 上記の問題に対する統一解として, ローカルインプリシト正規化フロー (LINF) を提案する。 LINFは、流れの正規化を伴う異なるスケーリング要因下でのテクスチャの詳細な分布をモデル化する。 LINFは、従来の任意のスケールのSR手法と比較して、最先端の知覚品質を実現していることを示す。
  論文  参考訳（メタデータ） (2023-03-09T10:20:07Z)
• Blind Super-Resolution for Remote Sensing Images via Conditional Stochastic Normalizing Flows [14.882417028542855]
  本稿では、上記の問題に対処するために、正規化フロー(BlindSRSNF)に基づく新しいブラインドSRフレームワークを提案する。 BlindSRSNFは、低解像度(LR)画像が与えられた高解像度画像空間上の条件確率分布を、確率の変動境界を明示的に最適化することによって学習する。 提案アルゴリズムは,シミュレーションLRと実世界RSIの両方において,視覚的品質の優れたSR結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-10-14T12:37:32Z)
• 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)
• Normalizing Flow as a Flexible Fidelity Objective for Photo-Realistic Super-resolution [161.39504409401354]
  超解像は不適切な問題であり、高分解能画像は可算解空間の1つの可能性を表す。 しかし、支配的なパラダイムは、L_のようなピクセル単位の損失を採用することで、ぼやけた平均に向かって予測を駆動する。 本稿では,L_損失を再考することによりこの問題に対処し,一層条件流に対応することを示す。 この関係に触発されて、L_目的に対する忠実度に基づくオルタナティブとして一般流れを探索する。 より深いフローの柔軟性は、対向的な損失と組み合わせることで、より良い視覚的品質と一貫性をもたらすことを実証する。
  論文  参考訳（メタデータ） (2021-11-05T17:56:51Z)
• Hierarchical Conditional Flow: A Unified Framework for Image Super-Resolution and Image Rescaling [139.25215100378284]
  画像SRと画像再スケーリングのための統合フレームワークとして階層的条件フロー(HCFlow)を提案する。 HCFlowは、LR画像と残りの高周波成分の分布を同時にモデル化することにより、HRとLR画像ペア間のマッピングを学習する。 さらに性能を高めるために、知覚的損失やGAN損失などの他の損失と、トレーニングで一般的に使用される負の対数類似損失とを組み合わせる。
  論文  参考訳（メタデータ） (2021-08-11T16:11:01Z)
• 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)
• 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。