論文の概要: Lightweight image super-resolution with enhanced CNN
- arxiv url: http://arxiv.org/abs/2007.04344v3
- Date: Tue, 21 Jul 2020 12:46:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 13:31:23.578014
- Title: Lightweight image super-resolution with enhanced CNN
- Title（参考訳）: 拡張CNNによる超高解像度化
- Authors: Chunwei Tian, Ruibin Zhuge, Zhihao Wu, Yong Xu, Wangmeng Zuo, Chen
Chen, Chia-Wen Lin
- Abstract要約: 強い表現力を持つ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(SISR)において印象的な性能を達成した
情報抽出・拡張ブロック(IEEB)、再構築ブロック(RB)、情報精製ブロック(IRB)の3つの連続したサブブロックを持つ軽量拡張SR CNN(LESRCNN)を提案する。
IEEBは階層的低分解能(LR)特徴を抽出し、SISRの深い層上の浅い層の記憶能力を高めるために、得られた特徴を段階的に集約する。
RBはグローバルに拡散することで低周波特徴を高周波特徴に変換する
- 参考スコア（独自算出の注目度）: 82.36883027158308
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep convolutional neural networks (CNNs) with strong expressive ability have
achieved impressive performances on single image super-resolution (SISR).
However, their excessive amounts of convolutions and parameters usually consume
high computational cost and more memory storage for training a SR model, which
limits their applications to SR with resource-constrained devices in real
world. To resolve these problems, we propose a lightweight enhanced SR CNN
(LESRCNN) with three successive sub-blocks, an information extraction and
enhancement block (IEEB), a reconstruction block (RB) and an information
refinement block (IRB). Specifically, the IEEB extracts hierarchical
low-resolution (LR) features and aggregates the obtained features step-by-step
to increase the memory ability of the shallow layers on deep layers for SISR.
To remove redundant information obtained, a heterogeneous architecture is
adopted in the IEEB. After that, the RB converts low-frequency features into
high-frequency features by fusing global and local features, which is
complementary with the IEEB in tackling the long-term dependency problem.
Finally, the IRB uses coarse high-frequency features from the RB to learn more
accurate SR features and construct a SR image. The proposed LESRCNN can obtain
a high-quality image by a model for different scales. Extensive experiments
demonstrate that the proposed LESRCNN outperforms state-of-the-arts on SISR in
terms of qualitative and quantitative evaluation. The code of LESRCNN is
accessible on https://github.com/hellloxiaotian/LESRCNN.
- Abstract（参考訳）: 強い表現能力を持つ深層畳み込みニューラルネットワーク(cnns)は、シングルイメージスーパーレゾリューション(sisr)で印象的なパフォーマンスを達成している。
しかし、その過剰な量の畳み込みとパラメータは通常、SRモデルをトレーニングするために高い計算コストとより多くのメモリストレージを消費する。
これらの問題を解決するために,3つの連続するサブブロック,情報抽出・拡張ブロック(IEEB),再構築ブロック(RB),情報精製ブロック(IRB)を備えた軽量拡張SR CNN(LESRCNN)を提案する。
具体的には、IEEBは階層的低分解能(LR)特徴を抽出し、得られた特徴を段階的に集約し、SISRの深い層上の浅い層のメモリ能力を向上させる。
得られた冗長情報を除去するために、IEEBに異種アーキテクチャを採用する。
その後、RBは、長期依存問題に取り組むためのIEEBと相補的なグローバルおよびローカル特徴を融合することにより、低周波特徴を高周波特徴に変換する。
最後に、IRBはRBからの粗い高周波特徴を用いてより正確なSR特徴を学習し、SR画像を構築する。
提案するLESRCNNは,異なるスケールのモデルを用いて高品質な画像を得ることができる。
広範な実験により,提案するlesrcnnは,質的および定量的評価において,sisrの最先端技術よりも優れていることが示された。
LESRCNNのコードはhttps://github.com/hellloxiaotian/LESRCNNでアクセスできる。
関連論文リスト
- Infrared Image Super-Resolution via Lightweight Information Split Network [15.767636844406493]
LISN(Lightweight Information Split Network)と呼ばれる,新しい,効率的で高精度な単一赤外線画像SRモデルを提案する。
LISNは、浅部特徴抽出、深部特徴抽出、高密度特徴融合、高分解能赤外線画像再構成の4つの主要成分からなる。
このモデルにおける重要な革新は、深い特徴抽出のための軽量情報分割ブロック(LISB)の導入である。
論文 参考訳（メタデータ） (2024-05-17T06:10:42Z) - DCS-RISR: Dynamic Channel Splitting for Efficient Real-world Image
Super-Resolution [15.694407977871341]
実世界の画像超解像(RISR)は、未知の複雑な劣化下でのSR画像の品質向上に重点を置いている。
既存の手法は、分解レベルが異なる低解像度(LR)画像を強化するために重いSRモデルに依存している。
本稿では,DCS-RISRと呼ばれる高効率リアルタイム画像超解法のための動的チャネル分割方式を提案する。
論文 参考訳（メタデータ） (2022-12-15T04:34:57Z) - Learning Detail-Structure Alternative Optimization for Blind
Super-Resolution [69.11604249813304]
そこで我々は,ブラインドSRに先立ってカーネルを曖昧にすることなく,再帰的な詳細構造代替最適化を実現する,有効かつカーネルフリーなネットワークDSSRを提案する。
DSSRでは、細部構造変調モジュール(DSMM)が構築され、画像の詳細と構造の相互作用と協調を利用する。
本手法は既存の手法に対して最先端の手法を実現する。
論文 参考訳（メタデータ） (2022-12-03T14:44:17Z) - A heterogeneous group CNN for image super-resolution [127.2132400582117]
畳み込みニューラルネットワーク(CNN)は、深いアーキテクチャを通して顕著な性能を得た。
異種グループSR CNN(HGSRCNN)を,異なるタイプの構造情報を利用して高品質な画像を得る。
論文 参考訳（メタデータ） (2022-09-26T04:14:59Z) - Image Super-resolution with An Enhanced Group Convolutional Neural
Network [102.2483249598621]
学習能力の強いCNNは、超解像問題を解くために広く選択されている。
浅層構造を持つ超解像群CNN(ESRGCNN)を提案する。
ESRGCNNは、SISRの性能、複雑さ、実行速度、画質評価およびSISRの視覚効果の観点から、最先端技術を上回っていると報告されている。
論文 参考訳（メタデータ） (2022-05-29T00:34:25Z) - Improving Super-Resolution Performance using Meta-Attention Layers [17.870338228921327]
畳み込みニューラルネットワーク(CNN)は多くの超解像(SR)と画像復元タスクで素晴らしい結果を得た。
SRのIll-posed性質は、複数の異なる劣化を経た画像を正確に超解き出すのを難しくする。
メタアテンション(メタアテンション)は、任意のSR CNNが関連する劣化パラメータで利用可能な情報を活用できるようにするメカニズムである。
論文 参考訳（メタデータ） (2021-10-27T09:20:21Z) - Asymmetric CNN for image super-resolution [102.96131810686231]
深層畳み込みニューラルネットワーク(CNN)は、過去5年間で低レベルビジョンに広く適用されています。
画像超解像のための非対称ブロック(AB)、mem?ory拡張ブロック(MEB)、高周波数特徴強調ブロック(HFFEB)からなる非対称CNN(ACNet)を提案する。
我々のACNetは、ブラインドノイズの単一画像超解像(SISR)、ブラインドSISR、ブラインドSISRを効果的に処理できる。
論文 参考訳（メタデータ） (2021-03-25T07:10:46Z) - Real Image Super Resolution Via Heterogeneous Model Ensemble using
GP-NAS [63.48801313087118]
本稿では,高密度スキップ接続を有するディープ残差ネットワークを用いた画像超解像法を提案する。
提案手法は、AIM 2020 Real Image Super-Resolution Challengeの3トラックで1位を獲得した。
論文 参考訳（メタデータ） (2020-09-02T22:33:23Z) - AdaptiveWeighted Attention Network with Camera Spectral Sensitivity
Prior for Spectral Reconstruction from RGB Images [22.26917280683572]
スペクトル再構成のための適応重み付き注意ネットワーク(AWAN)を提案する。
AWCAおよびPSNLモジュールは、チャネルワイドな特徴応答を再配置するために開発された。
NTIRE 2020 Spectral Reconstruction Challengeでは、クリーントラックで1位、リアルワールドで3位を獲得しました。
論文 参考訳（メタデータ） (2020-05-19T09:21:01Z)
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。