論文の概要: Sub-Pixel Back-Projection Network For Lightweight Single Image
Super-Resolution
- arxiv url: http://arxiv.org/abs/2008.01116v1
- Date: Mon, 3 Aug 2020 18:15:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-11-03 07:07:16.783509
- Title: Sub-Pixel Back-Projection Network For Lightweight Single Image
Super-Resolution
- Title（参考訳）: 軽量単一画像超解像のためのサブピクセルバックプロジェクションネットワーク
- Authors: Supratik Banerjee, Cagri Ozcinar, Aakanksha Rana, Aljosa Smolic and
Michael Manzke
- Abstract要約: 我々は,CNNに基づくSISR手法のパラメータ数と計算コストの削減について検討した。
SISRのための新しいネットワークアーキテクチャを導入し、再構成品質と低計算量とのトレードオフをうまく打ち立てる。
- 参考スコア（独自算出の注目度）: 17.751425965791718
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Convolutional neural network (CNN)-based methods have achieved great success
for single-image superresolution (SISR). However, most models attempt to
improve reconstruction accuracy while increasing the requirement of number of
model parameters. To tackle this problem, in this paper, we study reducing the
number of parameters and computational cost of CNN-based SISR methods while
maintaining the accuracy of super-resolution reconstruction performance. To
this end, we introduce a novel network architecture for SISR, which strikes a
good trade-off between reconstruction quality and low computational complexity.
Specifically, we propose an iterative back-projection architecture using
sub-pixel convolution instead of deconvolution layers. We evaluate the
performance of computational and reconstruction accuracy for our proposed model
with extensive quantitative and qualitative evaluations. Experimental results
reveal that our proposed method uses fewer parameters and reduces the
computational cost while maintaining reconstruction accuracy against
state-of-the-art SISR methods over well-known four SR benchmark datasets. Code
is available at
"https://github.com/supratikbanerjee/SubPixel-BackProjection_SuperResolution".
- Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)に基づく手法は、単一画像の超解像(SISR)において大きな成功を収めた。
しかし、ほとんどのモデルはモデルパラメータの数を増やしながら復元精度を向上しようと試みている。
本稿では,超解像再構成性能の精度を維持しつつ,CNNに基づくSISR手法のパラメータ数と計算コストの削減について検討する。
この目的のために, SISR のネットワークアーキテクチャを導入し, 再構成品質と計算複雑性の低減を両立させる。
具体的には,デコンボリューション層の代わりにサブピクセル畳み込みを用いた反復的バックプロジェクションアーキテクチャを提案する。
提案モデルの計算精度と再構成精度を定量的・質的評価により評価した。
実験結果から,提案手法は,srベンチマークデータセットの4つよりもパラメータを少なくし,復元精度を維持しつつ計算コストを低減できることが判明した。
コードはhttps://github.com/supratikbanerjee/subpixel-backprojection_super resolution"で入手できる。
関連論文リスト
- MsDC-DEQ-Net: Deep Equilibrium Model (DEQ) with Multi-scale Dilated
Convolution for Image Compressive Sensing (CS) [0.0]
圧縮センシング(CS)は、従来のサンプリング法よりも少ない測定値を用いてスパース信号の回復を可能にする技術である。
我々はCSを用いた自然画像再構成のための解釈可能かつ簡潔なニューラルネットワークモデルを構築した。
MsDC-DEQ-Netと呼ばれるこのモデルは、最先端のネットワークベースの手法と比較して、競争力のある性能を示す。
論文 参考訳（メタデータ） (2024-01-05T16:25:58Z) - A Lightweight Recurrent Learning Network for Sustainable Compressed
Sensing [27.964167481909588]
持続可能なCSシステムを実現するために,繰り返し学習に基づく軽量だが効果的な深層ニューラルネットワークを提案する。
提案手法は,既存のCSアルゴリズムよりも再現性が高い。
論文 参考訳（メタデータ） (2023-04-23T14:54:15Z) - 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) - CADyQ: Content-Aware Dynamic Quantization for Image Super-Resolution [55.50793823060282]
本稿では,画像超解像(SR)ネットワークのための新しいコンテント・アウェア・ダイナミック量子化(CADyQ)手法を提案する。
CADyQは、入力画像のローカル内容に基づいて、局所領域と層に最適なビットを適応的に割り当てる。
パイプラインは様々なSRネットワークでテストされ、いくつかの標準ベンチマークで評価されている。
論文 参考訳（メタデータ） (2022-07-21T07:50:50Z) - Hybrid Pixel-Unshuffled Network for Lightweight Image Super-Resolution [64.54162195322246]
畳み込みニューラルネットワーク(CNN)は画像超解像(SR)において大きな成功を収めた
ほとんどのディープCNNベースのSRモデルは、高い性能を得るために大量の計算を処理している。
SRタスクに効率的かつ効果的なダウンサンプリングモジュールを導入することで,HPUN(Hybrid Pixel-Unshuffled Network)を提案する。
論文 参考訳（メタデータ） (2022-03-16T20:10:41Z) - Spectral Compressive Imaging Reconstruction Using Convolution and
Contextual Transformer [6.929652454131988]
本稿では,CCoT(Contextual Transformer)ブロックというハイブリッドネットワークモジュールを提案する。
提案したCCoTブロックを,一般化された交互投影アルゴリズムに基づく深層展開フレームワークに統合し,さらにGAP-CTネットワークを提案する。
論文 参考訳（メタデータ） (2022-01-15T06:30:03Z) - 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) - Deep Iterative Residual Convolutional Network for Single Image
Super-Resolution [31.934084942626257]
我々は、ISRResCNet(Deep Iterative Super-Resolution Residual Convolutional Network)を提案する。
残差学習アプローチを用いて、深層ネットワークを反復的に訓練することにより、強力な画像正規化と大規模最適化手法を活用する。
トレーニング可能なパラメータがいくつかある本手法は,最先端の手法と比較して,異なるスケーリング要因に対する結果を改善する。
論文 参考訳（メタデータ） (2020-09-07T12:54:14Z) - OverNet: Lightweight Multi-Scale Super-Resolution with Overscaling
Network [3.6683231417848283]
SISRを任意のスケールで1つのモデルで解くための,深層でも軽量な畳み込みネットワークであるOverNetを紹介した。
我々のネットワークは、従来の手法よりも少ないパラメータを使用しながら、標準ベンチマークにおいて、過去の最先端結果よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-08-05T22:10:29Z) - Lightweight image super-resolution with enhanced CNN [82.36883027158308]
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
論文 参考訳（メタデータ） (2020-07-08T18:03:40Z) - Iterative Network for Image Super-Resolution [69.07361550998318]
単一画像超解像(SISR)は、最近の畳み込みニューラルネットワーク(CNN)の発展により、大幅に活性化されている。
本稿では、従来のSISRアルゴリズムに関する新たな知見を提供し、反復最適化に依存するアプローチを提案する。
反復最適化の上に,新しい反復型超解像ネットワーク (ISRN) を提案する。
論文 参考訳（メタデータ） (2020-05-20T11:11:47Z)
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。