論文の概要: MDCN: Multi-scale Dense Cross Network for Image Super-Resolution
- arxiv url: http://arxiv.org/abs/2008.13084v1
- Date: Sun, 30 Aug 2020 03:50:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 12:28:49.678133
- Title: MDCN: Multi-scale Dense Cross Network for Image Super-Resolution
- Title（参考訳）: MDCN:画像超解像のためのマルチスケール高密度クロスネットワーク
- Authors: Juncheng Li, Faming Fang, Jiaqian Li, Kangfu Mei, Guixu Zhang
- Abstract要約: 本稿では,より少ないパラメータと少ない実行時間で優れた性能を実現するマルチスケールDense Cross Network (MDCN)を提案する。
MDCNは多層密閉ブロック(MDCB)、階層的特徴蒸留ブロック(HFDB)、動的再構成ブロック(DRB)からなる。
- 参考スコア（独自算出の注目度）: 35.59973281360541
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Convolutional neural networks have been proven to be of great benefit for
single-image super-resolution (SISR). However, previous works do not make full
use of multi-scale features and ignore the inter-scale correlation between
different upsampling factors, resulting in sub-optimal performance. Instead of
blindly increasing the depth of the network, we are committed to mining image
features and learning the inter-scale correlation between different upsampling
factors. To achieve this, we propose a Multi-scale Dense Cross Network (MDCN),
which achieves great performance with fewer parameters and less execution time.
MDCN consists of multi-scale dense cross blocks (MDCBs), hierarchical feature
distillation block (HFDB), and dynamic reconstruction block (DRB). Among them,
MDCB aims to detect multi-scale features and maximize the use of image features
flow at different scales, HFDB focuses on adaptively recalibrate channel-wise
feature responses to achieve feature distillation, and DRB attempts to
reconstruct SR images with different upsampling factors in a single model. It
is worth noting that all these modules can run independently. It means that
these modules can be selectively plugged into any CNN model to improve model
performance. Extensive experiments show that MDCN achieves competitive results
in SISR, especially in the reconstruction task with multiple upsampling
factors. The code will be provided at https://github.com/MIVRC/MDCN-PyTorch.
- Abstract（参考訳）: 畳み込みニューラルネットワークは、単一画像の超解像(SISR)にとって大きなメリットがあることが証明されている。
しかし、従来の研究はマルチスケール機能を完全に利用せず、異なるアップサンプリング要因間のスケール間相関を無視し、結果として準最適性能をもたらす。
ネットワークの深さを盲目的に増やす代わりに、画像の特徴をマイニングし、異なるアップサンプリング要因間のスケール間の相関を学習することにコミットしています。
そこで本研究では,より少ないパラメータと少ない実行時間で優れた性能を実現するマルチスケールDense Cross Network (MDCN)を提案する。
MDCNはマルチスケールの高密度クロスブロック(MDCB)、階層的特徴蒸留ブロック(HFDB)、動的再構成ブロック(DRB)から構成される。
MDCBはマルチスケールの特徴の検出と異なるスケールでの画像特徴フローの利用を最大化することを目的としており、HFDBは特徴蒸留を達成するためにチャンネルワイドの特徴応答を適応的に補正することに焦点を当てており、DRBは一つのモデルで異なるアップサンプリング因子でSR画像の再構成を試みる。
これらのモジュールがすべて独立して動作できることは注目に値する。
つまり、これらのモジュールを任意のcnnモデルに選択的にプラグインして、モデルパフォーマンスを改善することができる。
広範囲な実験により,MDCNはSISRにおいて,特に複数のアップサンプリング因子を用いた再建作業において,競争力を発揮することが示された。
コードはhttps://github.com/MIVRC/MDCN-PyTorchで提供される。
関連論文リスト
- Invertible Residual Rescaling Models [46.28263683643467]
Invertible Rescaling Networks (IRNs)とその変種は、画像再スケーリングのような様々な画像処理タスクにおいて顕著な成果をみせた。
Invertible Residual Rescaling Models (IRRM) は,高解像度画像と高解像度画像との複射を特定の分布で学習することにより,画像再スケーリングを実現する。
我々のIRRMは,x4再スケーリングにおいて,それぞれ最低0.3dBのPSNRゲインを有し,60%のパラメータと50%のFLOPしか使用していない。
論文 参考訳（メタデータ） (2024-05-05T14:14:49Z) - Multi-Depth Branch Network for Efficient Image Super-Resolution [12.042706918188566]
超解像(SR)における長年の課題は、低解像(LR)の高頻度細部を効率的に拡張する方法である。
MDBM(Multi-Depth Branch Module)を特徴とする非対称SRアーキテクチャを提案する。
MDBMには異なる深さの枝があり、高い周波数と低周波の情報を同時に、効率的に捉えるように設計されている。
論文 参考訳（メタデータ） (2023-09-29T15:46:25Z) - Convolutional neural network based on sparse graph attention mechanism
for MRI super-resolution [0.34410212782758043]
深層学習技術を用いた医用画像超解像(SR)再構成は、病変解析を強化し、診断効率と精度を向上させるために医師を支援する。
既存のディープラーニングベースのSR手法は、これらのモデルの表現能力を本質的に制限する畳み込みニューラルネットワーク(CNN)に依存している。
画像特徴抽出に複数の畳み込み演算子特徴抽出モジュール(MCO)を用いるAネットワークを提案する。
論文 参考訳（メタデータ） (2023-05-29T06:14:22Z) - Spatially-Adaptive Feature Modulation for Efficient Image
Super-Resolution [90.16462805389943]
視覚変換器(ViT)のようなブロック上に,空間適応型特徴変調(SAFM)機構を開発する。
提案法は最先端のSR法よりも3倍程度小さい。
論文 参考訳（メタデータ） (2023-02-27T14:19:31Z) - CDDFuse: Correlation-Driven Dual-Branch Feature Decomposition for
Multi-Modality Image Fusion [138.40422469153145]
本稿では,CDDFuse(Relationed-Driven Feature Decomposition Fusion)ネットワークを提案する。
近赤外可視画像融合や医用画像融合など,複数の融合タスクにおいてCDDFuseが有望な結果をもたらすことを示す。
論文 参考訳（メタデータ） (2022-11-26T02:40:28Z) - 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) - 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) - MuCAN: Multi-Correspondence Aggregation Network for Video
Super-Resolution [63.02785017714131]
ビデオ超解像(VSR)は、複数の低解像度フレームを使用して、各フレームに対して高解像度の予測を生成することを目的としている。
フレーム間およびフレーム内は、時間的および空間的情報を利用するための鍵となるソースである。
VSRのための効果的なマルチ対応アグリゲーションネットワーク(MuCAN)を構築した。
論文 参考訳（メタデータ） (2020-07-23T05:41:27Z) - Sequential Hierarchical Learning with Distribution Transformation for
Image Super-Resolution [83.70890515772456]
画像SRのための逐次階層学習型超解像ネットワーク(SHSR)を構築した。
特徴のスケール間相関を考察し、階層的情報を段階的に探索するシーケンシャルなマルチスケールブロック(SMB)を考案する。
実験結果から,SHSRは最先端手法に優れた定量的性能と視覚的品質が得られることが示された。
論文 参考訳（メタデータ） (2020-07-19T01:35:53Z) - Res-CR-Net, a residual network with a novel architecture optimized for
the semantic segmentation of microscopy images [0.5363346028859919]
Res-CR-NetはDeep Neural Network(DNN)の一種で、異なるダイレーションレートの分離可能なアトラス畳み込みの束または畳み込みLSTMを持つ残効ブロックを特徴とする。
各残余ブロックで使用されるフィルタの数とブロック数だけが、様々な顕微鏡画像のネットワークトレーニングを最適化するために修正する必要がある唯一のハイパーパラメータである。
論文 参考訳（メタデータ） (2020-04-14T21:21:01Z)
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。