論文の概要: Accurate and Lightweight Image Super-Resolution with Model-Guided Deep
Unfolding Network
- arxiv url: http://arxiv.org/abs/2009.06254v2
- Date: Sat, 21 Nov 2020 08:53:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 12:24:07.385346
- Title: Accurate and Lightweight Image Super-Resolution with Model-Guided Deep
Unfolding Network
- Title(参考訳): Model-Guided Deep Unfolding Networkによる高精度・軽量画像超解像
- Authors: Qian Ning, Weisheng Dong, Guangming Shi, Leida Li, Xin Li
- Abstract要約: 我々は、モデル誘導深部展開ネットワーク(MoG-DUN)と呼ばれるSISRに対する説明可能なアプローチを提示し、提唱する。
MoG-DUNは正確(エイリアスを少なくする)、計算効率(モデルパラメータを減らした)、多用途(多重劣化を処理できる)である。
RCAN, SRDNF, SRFBNを含む既存の最先端画像手法に対するMoG-DUN手法の優位性は、いくつかの一般的なデータセットと様々な劣化シナリオに関する広範な実験によって実証されている。
- 参考スコア(独自算出の注目度): 63.69237156340457
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks (DNNs) based methods have achieved great success in
single image super-resolution (SISR). However, existing state-of-the-art SISR
techniques are designed like black boxes lacking transparency and
interpretability. Moreover, the improvement in visual quality is often at the
price of increased model complexity due to black-box design. In this paper, we
present and advocate an explainable approach toward SISR named model-guided
deep unfolding network (MoG-DUN). Targeting at breaking the coherence barrier,
we opt to work with a well-established image prior named nonlocal
auto-regressive model and use it to guide our DNN design. By integrating deep
denoising and nonlocal regularization as trainable modules within a deep
learning framework, we can unfold the iterative process of model-based SISR
into a multi-stage concatenation of building blocks with three interconnected
modules (denoising, nonlocal-AR, and reconstruction). The design of all three
modules leverages the latest advances including dense/skip connections as well
as fast nonlocal implementation. In addition to explainability, MoG-DUN is
accurate (producing fewer aliasing artifacts), computationally efficient (with
reduced model parameters), and versatile (capable of handling multiple
degradations). The superiority of the proposed MoG-DUN method to existing
state-of-the-art image SR methods including RCAN, SRMDNF, and SRFBN is
substantiated by extensive experiments on several popular datasets and various
degradation scenarios.
- Abstract(参考訳): ディープニューラルネットワーク(DNN)ベースの手法は、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、既存の最先端のSISR技術は、透明性と解釈性に欠けるブラックボックスのように設計されている。
さらに、視覚品質の改善はブラックボックス設計によるモデルの複雑さの増加の代償となることが多い。
本稿では,モデル誘導深部展開ネットワーク(MoG-DUN)というSISRに対する説明可能なアプローチを提案する。
コヒーレンスバリアを壊すことを目標とし、より確立された非局所的自己回帰モデルを用いて作業し、DNN設計をガイドする。
ディープラーニングフレームワークに、学習可能なモジュールとして深い分節化と非局所正規化を統合することで、モデルベースのsisrの反復過程を、3つの相互接続されたモジュール(デオライズ、非局所ar、再構築)を持つビルディングブロックの多段階結合に展開することができる。
3つのモジュールすべての設計は、高密度/スキップ接続や高速非ローカル実装を含む最新の進歩を活用している。
説明可能性に加えて、MoG-DUNは正確性(エイリアスを少なくする)、計算効率(モデルのパラメータを減らした)、汎用性(複数の分解を処理できる)がある。
rcan、srmdnf、srfbnを含む既存の最先端画像sr法に対するmog-dun法の有用性は、いくつかの一般的なデータセットと様々な分解シナリオに関する広範囲な実験によって証明されている。
関連論文リスト
- Binarized Diffusion Model for Image Super-Resolution [61.963833405167875]
超圧縮アルゴリズムであるバイナリ化は、高度な拡散モデル(DM)を効果的に加速する可能性を提供する
既存の二項化法では性能が著しく低下する。
画像SRのための新しいバイナライズ拡散モデルBI-DiffSRを提案する。
論文 参考訳(メタデータ) (2024-06-09T10:30:25Z) - VmambaIR: Visual State Space Model for Image Restoration [36.11385876754612]
VmambaIRは、画像復元タスクに線形に複雑な状態空間モデル(SSM)を導入する。
VmambaIRは、より少ない計算資源とパラメータで最先端(SOTA)性能を達成する。
論文 参考訳(メタデータ) (2024-03-18T02:38:55Z) - DSR-Diff: Depth Map Super-Resolution with Diffusion Model [38.68563026759223]
本稿では,遅延空間内の拡散モデルを用いて,深度マップの超解像誘導を行う新しいCDSRパラダイムを提案する。
提案手法は,最先端手法と比較して,広範囲な実験において優れた性能を示した。
論文 参考訳(メタデータ) (2023-11-16T14:18:10Z) - Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。
本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。
本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
論文 参考訳(メタデータ) (2023-03-16T21:06:13Z) - 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 Dynamic Residual Self-Attention Network for Lightweight Single Image
Super-Resolution [17.094665593472214]
軽量単一像超解像(SISR)のための動的残像自己アテンションネットワーク(DRSAN)を提案する。
DRSANは動的残留注意(DRA)に基づく動的残留接続を持ち、入力統計に基づいてその構造を適応的に変化させる。
また,余剰自己アテンション(RSA)モジュールも提案し,付加パラメータを伴わずに3次元のアテンションマップを生成する。
論文 参考訳(メタデータ) (2021-12-08T06:41:21Z) - Fast and Robust Cascade Model for Multiple Degradation Single Image
Super-Resolution [2.1574781022415364]
SISR(Single Image Super-Resolution)は、近年注目されている低レベルのコンピュータビジョン問題の一つである。
本稿では、畳み込みニューラルネットワーク(CNN)のカスケードモデルについて、新しい定式化を提案する。
外部知識を用いて各サブモジュールの出力を制限することで,より密結合なCNNアーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-11-16T18:59:49Z) - 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) - 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。