論文の概要: Progressive Multi-Scale Residual Network for Single Image
Super-Resolution
- arxiv url: http://arxiv.org/abs/2007.09552v3
- Date: Tue, 17 Nov 2020 16:57:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 00:44:28.228201
- Title: Progressive Multi-Scale Residual Network for Single Image
Super-Resolution
- Title(参考訳): 単一画像超解像のためのプログレッシブマルチスケール残差ネットワーク
- Authors: Yuqing Liu and Xinfeng Zhang and Shanshe Wang and Siwei Ma and Wen Gao
- Abstract要約: マルチスケール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)において大きな成功を収めた
最近のマルチスケールネットワークは、通常、異なる大きさのフィルタで階層的な探索を構築することを目的としている。
本稿では,マルチスケール探索を逐次的に変換し,SISR問題に対するプログレッシブ・マルチスケール残差ネットワーク(PMRN)を提案する。
- 参考スコア(独自算出の注目度): 83.70890515772456
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-scale convolutional neural networks (CNNs) achieve significant success
in single image super-resolution (SISR), which considers the comprehensive
information from different receptive fields. However, recent multi-scale
networks usually aim to build the hierarchical exploration with different sizes
of filters, which lead to high computation complexity costs, and seldom focus
on the inherent correlations among different scales. This paper converts the
multi-scale exploration into a sequential manner, and proposes a progressive
multi-scale residual network (PMRN) for SISR problem. Specifically, we devise a
progressive multi-scale residual block (PMRB) to substitute the larger filters
with small filter combinations, and gradually explore the hierarchical
information. Furthermore, channel- and pixel-wise attention mechanism (CPA) is
designed for finding the inherent correlations among image features with
weighting and bias factors, which concentrates more on high-frequency
information. Experimental results show that the proposed PMRN recovers
structural textures more effectively with superior PSNR/SSIM results than other
small networks. The extension model PMRN$^+$ with self-ensemble achieves
competitive or better results than large networks with much fewer parameters
and lower computation complexity.
- Abstract(参考訳): マルチスケール畳み込みニューラルネットワーク(CNN)は、異なる受容領域からの包括的情報を考慮した単一画像超解像(SISR)において、大きな成功を収めている。
しかし、近年のマルチスケールネットワークは通常、異なる大きさのフィルタで階層的な探索を構築することを目的としており、計算複雑性のコストが高く、異なるスケール間の固有の相関にはほとんど注目しない。
本稿では,マルチスケール探索を逐次的に変換し,SISR問題に対するプログレッシブ・マルチスケール残差ネットワーク(PMRN)を提案する。
具体的には、より大きなフィルタを小さなフィルタの組み合わせで置き換えるプログレッシブマルチスケール残差ブロック(pmrb)を考案し、階層的情報を徐々に探究する。
さらに,重み付けやバイアス要因による画像特徴の関連性を見出すために,CPA(Channel- and pixel-wise attention mechanism)が設計されている。
実験の結果,提案したPMRNは,他の小型ネットワークよりも優れたPSNR/SSIM結果により,構造的テクスチャをより効率的に回収できることがわかった。
拡張モデル pmrn$^+$ with self-ensemble は、パラメータがはるかに少なく計算の複雑さが低い大規模ネットワークに比べて、競合性や優れた結果をもたらす。
関連論文リスト
- Multi-scale Unified Network for Image Classification [33.560003528712414]
CNNは、実世界のマルチスケール画像入力を扱う際に、性能と計算効率において顕著な課題に直面している。
本稿では,マルチスケール,統一ネットワーク,スケール不変制約からなるMultiscale Unified Network(MUSN)を提案する。
MUSNは精度が44.53%向上し、マルチスケールシナリオではFLOPを7.01-16.13%減少させる。
論文 参考訳(メタデータ) (2024-03-27T06:40:26Z) - Hi-ResNet: A High-Resolution Remote Sensing Network for Semantic
Segmentation [7.216053041550996]
高分解能リモートセンシング(HRS)セマンティックセマンティクスは、高分解能カバレッジ領域からキーオブジェクトを抽出する。
HRS画像内の同じカテゴリのオブジェクトは、多様な地理的環境におけるスケールと形状の顕著な違いを示す。
効率的なネットワーク構造を持つ高分解能リモートセンシングネットワーク(Hi-ResNet)を提案する。
論文 参考訳(メタデータ) (2023-05-22T03:58:25Z) - Multi-level Second-order Few-shot Learning [111.0648869396828]
教師付きまたは教師なしの少数ショット画像分類と少数ショット動作認識のためのマルチレベル2次数列学習ネットワーク(MlSo)を提案する。
我々は、パワーノーマライズされた二階学習者ストリームと、複数のレベルの視覚的抽象化を表現する機能を組み合わせた、いわゆる2階学習者ストリームを活用している。
我々は,Omniglot, mini-ImageNet, tiered-ImageNet, Open MIC, CUB Birds, Stanford Dogs, Cars, HMDB51, UCF101, mini-MITなどのアクション認識データセットなどの標準データセットに対して,優れた結果を示す。
論文 参考訳(メタデータ) (2022-01-15T19:49:00Z) - Learning to Aggregate Multi-Scale Context for Instance Segmentation in
Remote Sensing Images [28.560068780733342]
特徴抽出のプロセスを改善するために,新しいコンテキスト集約ネットワーク(CATNet)を提案する。
提案モデルは,高密度特徴ピラミッドネットワーク(DenseFPN),空間コンテキストピラミッド(SCP),階層的関心抽出器(HRoIE)の3つの軽量プラグアンドプレイモジュールを利用する。
論文 参考訳(メタデータ) (2021-11-22T08:55:25Z) - High-resolution Depth Maps Imaging via Attention-based Hierarchical
Multi-modal Fusion [84.24973877109181]
誘導DSRのための新しい注意に基づく階層型マルチモーダル融合ネットワークを提案する。
本手法は,再現精度,動作速度,メモリ効率の点で最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-04-04T03:28:33Z) - Multi-Stage Progressive Image Restoration [167.6852235432918]
本稿では、これらの競合する目標を最適にバランスできる新しい相乗的設計を提案する。
本提案では, 劣化した入力の復元関数を段階的に学習する多段階アーキテクチャを提案する。
MPRNetという名前の密接な相互接続型マルチステージアーキテクチャは、10のデータセットに対して強力なパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2021-02-04T18:57:07Z) - Joint Self-Attention and Scale-Aggregation for Self-Calibrated Deraining
Network [13.628218953897946]
本稿では,JDNetとよばれる有効アルゴリズムを提案する。
自己校正畳み込みを用いたスケール・アグリゲーション・セルフアグリゲーション・モジュールを巧みに設計することにより,提案モデルはより優れたデコレーション結果が得られる。
論文 参考訳(メタデータ) (2020-08-06T17:04:34Z) - Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。
ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。
提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
論文 参考訳(メタデータ) (2020-03-15T11:04:30Z) - Crowd Counting via Hierarchical Scale Recalibration Network [61.09833400167511]
本稿では,群集カウントの課題に取り組むために,階層型大規模校正ネットワーク(HSRNet)を提案する。
HSRNetは、リッチなコンテキスト依存をモデル化し、複数のスケール関連情報を再検討する。
提案手法は,様々なノイズを選択的に無視し,適切な群集スケールに自動的に焦点を合わせることができる。
論文 参考訳(メタデータ) (2020-03-07T10:06:47Z) - Multi-Level Feature Fusion Mechanism for Single Image Super-Resolution [0.0]
畳み込みニューラルネットワーク(CNN)は、Single Image Super Resolution(SISR)で広く使われている。
CNNに基づくほとんどのSISRメソッドは階層的特徴とネットワークの学習能力を十分に利用していない。
グローバルな中間機能を完全に活用できるMLRN(Multi-Level Feature Fusion Network)が提案されている。
論文 参考訳(メタデータ) (2020-02-14T10:47:40Z)
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。