論文の概要: Benefiting from Bicubically Down-Sampled Images for Learning Real-World
Image Super-Resolution
- arxiv url: http://arxiv.org/abs/2007.03053v2
- Date: Thu, 5 Nov 2020 18:25:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 03:01:58.870992
- Title: Benefiting from Bicubically Down-Sampled Images for Learning Real-World
Image Super-Resolution
- Title（参考訳）: 実世界画像の超解像学習におけるbicublydown-samped imageの有用性
- Authors: Mohammad Saeed Rad, Thomas Yu, Claudiu Musat, Hazim Kemal Ekenel,
Behzad Bozorgtabar, Jean-Philippe Thiran
- Abstract要約: 我々は、この不適切な問題を2つの比較的よく提示されたステップに分割することで、現実世界のSRを扱うことを提案する。
まず、実LR画像を教師付きで双対的にダウンサンプリングされた画像の空間に変換するネットワークを訓練する。
次に,2次元ダウンサンプル画像に基づいて学習した汎用SRネットワークを用いて,変換されたLR画像の超解像を行う。
- 参考スコア（独自算出の注目度）: 22.339751911637077
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Super-resolution (SR) has traditionally been based on pairs of
high-resolution images (HR) and their low-resolution (LR) counterparts obtained
artificially with bicubic downsampling. However, in real-world SR, there is a
large variety of realistic image degradations and analytically modeling these
realistic degradations can prove quite difficult. In this work, we propose to
handle real-world SR by splitting this ill-posed problem into two comparatively
more well-posed steps. First, we train a network to transform real LR images to
the space of bicubically downsampled images in a supervised manner, by using
both real LR/HR pairs and synthetic pairs. Second, we take a generic SR network
trained on bicubically downsampled images to super-resolve the transformed LR
image. The first step of the pipeline addresses the problem by registering the
large variety of degraded images to a common, well understood space of images.
The second step then leverages the already impressive performance of SR on
bicubically downsampled images, sidestepping the issues of end-to-end training
on datasets with many different image degradations. We demonstrate the
effectiveness of our proposed method by comparing it to recent methods in
real-world SR and show that our proposed approach outperforms the
state-of-the-art works in terms of both qualitative and quantitative results,
as well as results of an extensive user study conducted on several real image
datasets.
- Abstract（参考訳）: 超解像(SR)は、伝統的に高分解能画像(HR)と低分解能画像(LR)の対をバイコビック・ダウンサンプリングで人工的に取得した。
しかし、実世界のSRでは、様々な現実的な画像劣化があり、これらの現実的な劣化を解析的にモデル化することは極めて困難である。
本研究では,この不適切な問題を2つの比較的よく提示されたステップに分割することで,実世界のSRを扱うことを提案する。
まず、実LR/HR対と合成対の両方を用いて、実LR画像を教師付きで双対的にダウンサンプリングされた画像の空間に変換するネットワークを訓練する。
次に,2次元ダウンサンプル画像に基づいて学習した汎用SRネットワークを用いて,変換されたLR画像の超解像を行う。
パイプラインの最初のステップは、多種多様な劣化した画像を共通のよく理解された画像空間に登録することで、この問題に対処する。
2番目のステップは、bicubally downsampledイメージですでに印象的なsrのパフォーマンスを活用し、さまざまな画像劣化を伴うデータセットのエンドツーエンドトレーニングの問題を回避する。
提案手法の有効性を実世界のSRにおける最近の手法と比較し,定性的および定量的な結果と,複数の実画像データセットを用いた広範なユーザ調査結果の両面で,提案手法が最先端の作業よりも優れていることを示す。
関連論文リスト
- Efficient Test-Time Adaptation for Super-Resolution with Second-Order
Degradation and Reconstruction [62.955327005837475]
画像超解像(SR)は,低分解能(LR)から高分解能(HR)へのマッピングを,一対のHR-LRトレーニング画像を用いて学習することを目的としている。
SRTTAと呼ばれるSRの効率的なテスト時間適応フレームワークを提案し、SRモデルを異なる/未知の劣化型でテストドメインに迅速に適応させることができる。
論文 参考訳（メタデータ） (2023-10-29T13:58:57Z) - Learning Many-to-Many Mapping for Unpaired Real-World Image
Super-resolution and Downscaling [60.80788144261183]
実世界のLR画像とHR画像の双方向多対多マッピングを教師なしで同時に学習するSDFlowと呼ばれる画像ダウンスケーリングとSRモデルを提案する。
実世界の画像SRデータセットによる実験結果から,SDFlowは定量的かつ定性的に,多様な現実的なLRとSRの画像を生成可能であることが示唆された。
論文 参考訳（メタデータ） (2023-10-08T01:48:34Z) - Real Image Super-Resolution using GAN through modeling of LR and HR
process [20.537597542144916]
LRモデルとSRモデルに組み込んだ学習可能な適応正弦波非線形性を提案し,分解分布を直接学習する。
定量的および定性的な実験において提案手法の有効性を実証する。
論文 参考訳（メタデータ） (2022-10-19T09:23:37Z) - Real-World Image Super-Resolution by Exclusionary Dual-Learning [98.36096041099906]
実世界の画像超解像は,高品質な画像を得るための実用的な画像復元問題である。
深層学習に基づく手法は、現実世界の超解像データセットの復元に期待できる品質を実現している。
本稿では,RWSR-EDL(Real-World Image Super-Resolution by Exclusionary Dual-Learning)を提案する。
論文 参考訳（メタデータ） (2022-06-06T13:28:15Z) - Simple and Efficient Unpaired Real-world Super-Resolution using Image
Statistics [0.11714813224840924]
本稿では,実世界のSRネットワークの簡易かつ効率的なトレーニング方法を提案する。
我々のフレームワークは2つのGANで構成されており、1つはHR画像をLR画像に変換するためのもので、もう1つはLR画像をHRに変換するためのものである。
我々は,提案したデータサンプリング戦略を用いて,GANを用いた未ペア画像翻訳を効率的に学習できると主張している。
論文 参考訳（メタデータ） (2021-09-19T06:10:33Z) - Joint Generative Learning and Super-Resolution For Real-World
Camera-Screen Degradation [6.14297871633911]
現実世界の単一画像超解像(SISR)タスクでは、低解像度画像はより複雑な劣化に苦しむ。
本稿では,カメラ画面の劣化に着目し,実世界のデータセット(Cam-ScreenSR)を構築する。
まず、ダウンサンプリング劣化GAN(DD-GAN)をトレーニングし、その分解をモデル化し、より多様なLR画像を生成する。
そして、二重残差チャネルアテンションネットワーク(DuRCAN)がSR画像の復元を学習する。
論文 参考訳（メタデータ） (2020-08-01T07:10:13Z) - DDet: Dual-path Dynamic Enhancement Network for Real-World Image
Super-Resolution [69.2432352477966]
実画像超解像(Real-SR)は、実世界の高分解能画像(HR)と低分解能画像(LR)の関係に焦点を当てている。
本稿では,Real-SRのためのデュアルパス動的拡張ネットワーク(DDet)を提案する。
特徴表現のための大規模な畳み込みブロックを積み重ねる従来の手法とは異なり、非一貫性のある画像対を研究するためのコンテンツ認識フレームワークを導入する。
論文 参考訳（メタデータ） (2020-02-25T18:24:51Z) - Learning to Zoom-in via Learning to Zoom-out: Real-world
Super-resolution by Generating and Adapting Degradation [91.40265983636839]
本稿では,SR を任意の LR と HR 画像から学習するためのフレームワークを提案する。
我々は、劣化適応SRネットワークを学習しながら、生成されたデータと実データとの差を最小限にする。
提案手法は,ペア学習法をより好むデータセットであっても,実世界の画像上での最先端のSR結果を実現する。
論文 参考訳（メタデータ） (2020-01-08T05:17:02Z) - Characteristic Regularisation for Super-Resolving Face Images [81.84939112201377]
既存の顔画像超解像法(SR)は、主に人工的にダウンサンプリングされた低解像度(LR)画像の改善に焦点を当てている。
従来の非教師なしドメイン適応(UDA)手法は、未ペアの真のLRとHRデータを用いてモデルをトレーニングすることでこの問題に対処する。
これにより、視覚的特徴を構成することと、画像の解像度を高めることの2つのタスクで、モデルをオーバーストレッチする。
従来のSRモデルとUDAモデルの利点を結合する手法を定式化する。
論文 参考訳（メタデータ） (2019-12-30T16:27:24Z)
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。