論文の概要: Tarsier: Evolving Noise Injection in Super-Resolution GANs

• arxiv url: http://arxiv.org/abs/2009.12177v1
• Date: Fri, 25 Sep 2020 12:29:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 22:49:48.907016
• Title: Tarsier: Evolving Noise Injection in Super-Resolution GANs
• Title（参考訳）: タージエ:超解像GANにおけるノイズ注入の展開
• Authors: Baptiste Roziere, Nathanal Carraz Rakotonirina, Vlad Hosu, Andry Rasoanaivo, Hanhe Lin, Camille Couprie, Olivier Teytaud
• Abstract要約: 我々は、推論時のノイズ注入を最適化することにより、NESRGAN+を改善するために進化的手法を利用する。 この結果はPIRMの知覚スコアと人間の研究によって検証された。
• 参考スコア（独自算出の注目度）: 15.334615395169678
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Super-resolution aims at increasing the resolution and level of detail within an image. The current state of the art in general single-image super-resolution is held by NESRGAN+, which injects a Gaussian noise after each residual layer at training time. In this paper, we harness evolutionary methods to improve NESRGAN+ by optimizing the noise injection at inference time. More precisely, we use Diagonal CMA to optimize the injected noise according to a novel criterion combining quality assessment and realism. Our results are validated by the PIRM perceptual score and a human study. Our method outperforms NESRGAN+ on several standard super-resolution datasets. More generally, our approach can be used to optimize any method based on noise injection.
• Abstract（参考訳）: 超解像度は、画像内の解像度と詳細レベルを高めることを目的としている。 一般的な単一像超解像の現在の状態はNESRGAN+によって保持され、トレーニング時に各残留層にガウスノイズを注入する。 本稿では,推論時のノイズ注入を最適化してNESRGAN+を改善するために進化的手法を利用する。 より正確には、品質評価と現実主義を組み合わせた新しい基準に従って注入ノイズを最適化するために対角cmaを用いる。 この結果はPIRMの知覚スコアと人間の研究によって検証された。 提案手法は,複数の標準超解像データセット上でNESRGAN+より優れる。 より一般的には、ノイズ注入に基づく任意の手法の最適化に利用することができる。

関連論文リスト

• Unpaired Optical Coherence Tomography Angiography Image Super-Resolution via Frequency-Aware Inverse-Consistency GAN [6.717440708401628]
  本稿では,GANに基づくOCTA画像の非ペア化超解像法を提案する。 また,再構成画像の正確なスペクトル化を容易にするため,識別器の周波数認識による逆方向の損失も提案する。 実験により,本手法は,他の最先端の未経験手法よりも定量的,視覚的に優れていることが示された。
  論文  参考訳（メタデータ） (2023-09-29T14:19:51Z)
• ACDMSR: Accelerated Conditional Diffusion Models for Single Image Super-Resolution [84.73658185158222]
  本稿では,ACDMSRと呼ばれる拡散モデルに基づく超解像法を提案する。 提案手法は, 決定論的反復分解過程を通じて超解像を行うために, 標準拡散モデルに適応する。 提案手法は,低解像度画像に対してより視覚的に現実的な表現を生成し,現実的なシナリオにおけるその有効性を強調した。
  論文  参考訳（メタデータ） (2023-07-03T06:49:04Z)
• CDPMSR: Conditional Diffusion Probabilistic Models for Single Image Super-Resolution [91.56337748920662]
  拡散確率モデル(DPM)は画像から画像への変換において広く採用されている。 単純だが自明なDPMベースの超解像後処理フレームワーク,すなわちcDPMSRを提案する。 本手法は, 定性的および定量的な結果の両面において, 先行試行を超越した手法である。
  論文  参考訳（メタデータ） (2023-02-14T15:13:33Z)
• Perception-Distortion Balanced ADMM Optimization for Single-Image Super-Resolution [29.19388490351459]
  低周波制約(LFc-SR)を持つ新しい超解像モデルを提案する。 制約付きモデルの非自明な学習のためのADMMに基づく交互最適化手法を提案する。 実験の結果,提案手法は加工後処理の煩雑さを伴わず,最先端の性能を達成できた。
  論文  参考訳（メタデータ） (2022-08-05T05:37:55Z)
• SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
  スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。 本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。 提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
  論文  参考訳（メタデータ） (2022-06-09T14:00:26Z)
• Uncovering the Over-smoothing Challenge in Image Super-Resolution: Entropy-based Quantification and Contrastive Optimization [67.99082021804145]
  我々はDetail Enhanced Contrastive Loss (DECLoss)と呼ばれるCOO問題に対する明確な解決策を提案する。 DECLossはコントラスト学習のクラスタリング特性を利用して、潜在的な高分解能分布の分散を直接的に低減する。 我々は複数の超高解像度ベンチマーク上でDECLosを評価し,PSNR指向モデルの知覚品質を向上させることを実証した。
  論文  参考訳（メタデータ） (2022-01-04T08:30:09Z)
• Image Super-Resolution via Iterative Refinement [53.57766722279425]
  SR3は再精製による超解像へのアプローチである。 確率的デノイジング拡散モデルを条件付き画像生成に適応させる。 様々な倍率係数の超分解能タスクに強い性能を示す。
  論文  参考訳（メタデータ） (2021-04-15T17:50:42Z)
• Designing a Practical Degradation Model for Deep Blind Image Super-Resolution [134.9023380383406]
  単一画像スーパーレゾリューション (sisr) 法は, 推定劣化モデルが実画像から逸脱した場合はうまく動作しない。 本稿では, ランダムにシャッフルされたブラー, ダウンサンプリング, ノイズ劣化からなる, より複雑で実用的な劣化モデルを提案する。
  論文  参考訳（メタデータ） (2021-03-25T17:40:53Z)
• Stochastic Image Denoising by Sampling from the Posterior Distribution [25.567566997688044]
  少量のMSEを維持しながら、実行可能で高品質の結果を生み出す新しい消音アプローチを提案します。 本手法は, MMSEデノイザーの繰り返し適用に依存したランゲビンダイナミクスを用い, 後方分布から効果的にサンプリングすることにより, 再構成画像を得る。 その知覚性のため、提案アルゴリズムは与えられたノイズ入力に対して様々な高品質な出力を生成することができる。
  論文  参考訳（メタデータ） (2021-01-23T18:28:19Z)

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。