論文の概要: Cross-Scale Internal Graph Neural Network for Image Super-Resolution
- arxiv url: http://arxiv.org/abs/2006.16673v2
- Date: Tue, 20 Oct 2020 13:59:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 05:46:17.664353
- Title: Cross-Scale Internal Graph Neural Network for Image Super-Resolution
- Title（参考訳）: 画像超解像のためのクロススケール内部グラフニューラルネットワーク
- Authors: Shangchen Zhou, Jiawei Zhang, Wangmeng Zuo, Chen Change Loy
- Abstract要約: 自然画像における非局所的な自己相似性は、画像修復に有効な先行研究として、よく研究されている。
単一の画像超解像(SISR)の場合、既存のディープ非局所法のほとんどは、低解像度(LR)入力画像と同じ規模のパッチしか利用していない。
これは、新しいクロススケールな内部グラフニューラルネットワーク(IGNN)を用いて実現される。
- 参考スコア（独自算出の注目度）: 147.77050877373674
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Non-local self-similarity in natural images has been well studied as an
effective prior in image restoration. However, for single image
super-resolution (SISR), most existing deep non-local methods (e.g., non-local
neural networks) only exploit similar patches within the same scale of the
low-resolution (LR) input image. Consequently, the restoration is limited to
using the same-scale information while neglecting potential high-resolution
(HR) cues from other scales. In this paper, we explore the cross-scale patch
recurrence property of a natural image, i.e., similar patches tend to recur
many times across different scales. This is achieved using a novel cross-scale
internal graph neural network (IGNN). Specifically, we dynamically construct a
cross-scale graph by searching k-nearest neighboring patches in the downsampled
LR image for each query patch in the LR image. We then obtain the corresponding
k HR neighboring patches in the LR image and aggregate them adaptively in
accordance to the edge label of the constructed graph. In this way, the HR
information can be passed from k HR neighboring patches to the LR query patch
to help it recover more detailed textures. Besides, these internal
image-specific LR/HR exemplars are also significant complements to the external
information learned from the training dataset. Extensive experiments
demonstrate the effectiveness of IGNN against the state-of-the-art SISR methods
including existing non-local networks on standard benchmarks.
- Abstract（参考訳）: 自然画像における非局所的な自己相似性は、画像修復に有効な先行として研究されている。
しかし、単一画像超解像(SISR)の場合、既存のディープ非局所的手法(例えば、非局所ニューラルネットワーク)は、低解像度(LR)入力画像と同じスケールでのみ同様のパッチを利用する。
その結果、復元は、他のスケールからの潜在的な高解像度(HR)キューを無視しながら、同じスケール情報を使用するに限られる。
本稿では,自然画像の横断的パッチ再帰特性,すなわち類似のパッチは,異なるスケールで何度も再帰する傾向にあることを示す。
これは、新しいクロススケールな内部グラフニューラルネットワーク(IGNN)を使用して実現される。
具体的には,ダウンサンプリングしたlr画像のk-nearest近傍のパッチをlr画像のクエリパッチ毎に検索することにより,クロススケールグラフを動的に構築する。
次に、LR画像中の対応するkHR近傍パッチを取得し、構築されたグラフのエッジラベルに従って適応的に集約する。
このようにして、HR情報は k HR 近くのパッチから LR クエリパッチに渡され、より詳細なテクスチャを復元するのに役立つ。
さらに、これらの内部画像固有のLR/HR例は、トレーニングデータセットから学んだ外部情報に対して重要な補完となる。
大規模な実験は、標準ベンチマーク上の既存の非ローカルネットワークを含む最先端のSISR手法に対するIGNNの有効性を示す。
関連論文リスト
- Towards a Sampling Theory for Implicit Neural Representations [0.3222802562733786]
Inlicit Neural representations (INRs) は、コンピュータおよび計算画像における逆問題を解決する強力なツールとして登場した。
一般化された重み減衰正規化方式を用いて, 隠蔽層INRから画像の復元方法を示す。
低幅単層INRにより実現された正確な回復画像を得る確率を実証的に評価し、より現実的な連続領域ファントム画像の超解像回復におけるINRの性能を示す。
論文 参考訳（メタデータ） (2024-05-28T17:53:47Z) - Learning to Rank Patches for Unbiased Image Redundancy Reduction [80.93989115541966]
画像は、隣接する領域の画素が空間的に相関しているため、空間的冗長性に悩まされる。
既存のアプローチでは、意味の少ない画像領域を減らし、この制限を克服しようとしている。
本稿では,Learning to Rank Patchesと呼ばれる画像冗長性低減のための自己教師型フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-31T13:12:41Z) - Effective Invertible Arbitrary Image Rescaling [77.46732646918936]
Invertible Neural Networks (INN)は、ダウンスケーリングとアップスケーリングのサイクルを共同で最適化することにより、アップスケーリングの精度を大幅に向上させることができる。
本研究の1つのモデルのみをトレーニングすることにより、任意の画像再スケーリングを実現するために、単純で効果的な非可逆的再スケーリングネットワーク(IARN)を提案する。
LR出力の知覚品質を損なうことなく、双方向任意再スケーリングにおいて最先端(SOTA)性能を実現する。
論文 参考訳（メタデータ） (2022-09-26T22:22:30Z) - Enhancing Image Rescaling using Dual Latent Variables in Invertible
Neural Network [42.18106162158025]
画像ダウンスケーリングプロセスのバリエーションをモデル化するために、新しいダウンスケーリング潜在変数が導入された。
これにより、ダウンスケールのLR画像の画質を犠牲にすることなく、画像のアップスケーリング精度を一貫して向上させることができる。
また、画像隠蔽のような画像復元アプリケーションのための他の INN ベースのモデルの拡張にも有効であることが示されている。
論文 参考訳（メタデータ） (2022-07-24T23:12:51Z) - Memory Efficient Patch-based Training for INR-based GANs [13.19626131847784]
既存のアプローチの訓練には、画像解像度に比例した計算コストが要求される。
我々は、INRベースのGANを柔軟な計算コストでトレーニングできる、新しいスケーラブルなアプローチであるマルチステージパッチベースのトレーニングを提案する。
具体的には、パッチを用いて画像の局所的な詳細を学習し、グローバルな構造情報を学習することを可能にする。
論文 参考訳（メタデータ） (2022-07-04T13:28:53Z) - An Arbitrary Scale Super-Resolution Approach for 3-Dimensional Magnetic
Resonance Image using Implicit Neural Representation [37.43985628701494]
高分解能(HR)医療画像は、早期かつ正確な診断を容易にするために、豊富な解剖学的構造の詳細を提供する。
近年の研究では、深部畳み込みニューラルネットワークを用いて、低分解能(LR)入力から等方性HR MR像を復元できることが示されている。
Arbitrary Scale Super-Resolution approach for recovering 3D HR MR images。
論文 参考訳（メタデータ） (2021-10-27T14:48:54Z) - 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) - LAPAR: Linearly-Assembled Pixel-Adaptive Regression Network for Single
Image Super-Resolution and Beyond [75.37541439447314]
単一画像超解像(SISR)は、低解像度(LR)画像を高解像度(HR)バージョンにアップサンプリングする根本的な問題を扱う。
本稿では,線形組立画素適応回帰ネットワーク (LAPAR) を提案する。
論文 参考訳（メタデータ） (2021-05-21T15:47:18Z) - Frequency Consistent Adaptation for Real World Super Resolution [64.91914552787668]
実シーンにスーパーリゾリューション(SR)法を適用する際に周波数領域の整合性を保証する新しい周波数一貫性適応(FCA)を提案する。
監視されていない画像から劣化カーネルを推定し、対応するLow-Resolution (LR)画像を生成する。
ドメイン一貫性のあるLR-HRペアに基づいて、容易に実装可能な畳み込みニューラルネットワーク(CNN)SRモデルを訓練する。
論文 参考訳（メタデータ） (2020-12-18T08:25:39Z) - Deep Generative Adversarial Residual Convolutional Networks for
Real-World Super-Resolution [31.934084942626257]
我々は,超解像残差畳み込み生成共役ネットワーク(SRResCGAN)を提案する。
これは、生成したLRドメインからHRドメインの画素単位の監督でモデルを逆トレーニングすることで、現実世界の劣化設定に従う。
提案するネットワークは,画像の高精細化と凸最適化によるエネルギーベース目的関数の最小化により,残差学習を利用する。
論文 参考訳（メタデータ） (2020-05-03T00:12:38Z)
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。