論文の概要: Blind Image Super-Resolution with Spatial Context Hallucination
- arxiv url: http://arxiv.org/abs/2009.12461v1
- Date: Fri, 25 Sep 2020 22:36:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 23:26:02.588395
- Title: Blind Image Super-Resolution with Spatial Context Hallucination
- Title(参考訳): 空間的文脈幻覚を用いたブラインド画像の超解像
- Authors: Dong Huo, Yee-Hong Yang
- Abstract要約: 本稿では, 劣化カーネルを知らずに, 視覚的超解像のための空間文脈幻覚ネットワーク(SCHN)を提案する。
DIV2KとFlickr2Kという2つの高品質データセットでモデルをトレーニングします。
入力画像がランダムなぼかしとノイズで劣化した場合, 最先端の手法よりも優れた性能を示す。
- 参考スコア(独自算出の注目度): 5.849485167287474
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep convolution neural networks (CNNs) play a critical role in single image
super-resolution (SISR) since the amazing improvement of high performance
computing. However, most of the super-resolution (SR) methods only focus on
recovering bicubic degradation. Reconstructing high-resolution (HR) images from
randomly blurred and noisy low-resolution (LR) images is still a challenging
problem. In this paper, we propose a novel Spatial Context Hallucination
Network (SCHN) for blind super-resolution without knowing the degradation
kernel. We find that when the blur kernel is unknown, separate deblurring and
super-resolution could limit the performance because of the accumulation of
error. Thus, we integrate denoising, deblurring and super-resolution within one
framework to avoid such a problem. We train our model on two high quality
datasets, DIV2K and Flickr2K. Our method performs better than state-of-the-art
methods when input images are corrupted with random blur and noise.
- Abstract(参考訳): ディープ畳み込みニューラルネットワーク(CNN)は、高性能コンピューティングの驚くべき改善以来、シングルイメージ超解像(SISR)において重要な役割を果たす。
しかし、ほとんどの超解像法(sr)は、bicubic分解の回復にのみ焦点を合わせている。
高解像度(HR)画像をランダムにぼかし、ノイズの多い低解像度(LR)画像から再構成することは依然として難しい問題である。
本稿では, 劣化カーネルを知らずに, 視覚的超解像のための空間文脈幻覚ネットワーク(SCHN)を提案する。
ぼやけたカーネルが未知の場合、分離されたデブロアリングと超解像はエラーの蓄積によって性能を制限できる。
そこで我々は,このような問題を回避するために,1つのフレームワークにデノイジング,デブラリング,スーパーレゾリューションを統合する。
DIV2KとFlickr2Kという2つの高品質データセットでモデルをトレーニングします。
入力画像がランダムなぼかしとノイズで劣化した場合, 最先端の手法よりも優れた性能を示す。
関連論文リスト
- RBSR: Efficient and Flexible Recurrent Network for Burst
Super-Resolution [57.98314517861539]
バースト超解像(BurstSR)は、高解像度(HR)画像を低解像度(LR)画像と雑音画像から再構成することを目的としている。
本稿では,効率よくフレキシブルなリカレントネットワークでフレーム単位のキューを融合させることを提案する。
論文 参考訳(メタデータ) (2023-06-30T12:14:13Z) - Hierarchical Similarity Learning for Aliasing Suppression Image
Super-Resolution [64.15915577164894]
エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。
HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
論文 参考訳(メタデータ) (2022-06-07T14:55:32Z) - Unfolded Deep Kernel Estimation for Blind Image Super-resolution [23.798845090992728]
ブラインド画像超解像(BISR)は、未知のぼやけたカーネルとノイズによって劣化した低解像度画像から高解像度画像を再構成することを目的としている。
我々は,我々の最良知識に対して初めて,データ項を高効率で明示的に解く,新しい展開深層カーネル推定法 (UDKE) を提案する。
論文 参考訳(メタデータ) (2022-03-10T07:54:59Z) - Kernel-aware Raw Burst Blind Super-Resolution [0.0]
バースト超解像(SR)は、低画質の画像からリッチな詳細を復元する可能性を提供する。
既存の非盲点ネットワークは、高解像度(HR)画像の復元において、パフォーマンスが著しく低下する。
本稿では,カーネル対応の変形可能なアライメントモジュールを提案する。
論文 参考訳(メタデータ) (2021-12-14T11:49:13Z) - Deep learning architectural designs for super-resolution of noisy images [7.657378889055478]
本研究では,デノジングと超解像を共同で行うことを提案する。
In-network"は両方のタスクを機能レベルで組み合わせ、"pre-network"はまずデノベーションを行い、次に超解像を行う。
ネットワーク前設計は、既存の超解像モデルにおける病理的故障である、目に見えないタイプの画像劣化に対して優れた性能を示す。
論文 参考訳(メタデータ) (2021-02-09T20:09:42Z) - Exploiting Raw Images for Real-Scene Super-Resolution [105.18021110372133]
本稿では,合成データと実撮影画像とのギャップを埋めるために,実シーンにおける単一画像の超解像化の問題について検討する。
本稿では,デジタルカメラの撮像過程を模倣して,よりリアルなトレーニングデータを生成する手法を提案する。
また、原画像に記録された放射情報を活用するために、2分岐畳み込みニューラルネットワークを開発した。
論文 参考訳(メタデータ) (2021-02-02T16:10:15Z) - Hyperspectral Image Super-resolution via Deep Progressive Zero-centric
Residual Learning [62.52242684874278]
空間情報とスペクトル情報の相互モダリティ分布が問題となる。
本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。
本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
論文 参考訳(メタデータ) (2020-06-18T06:32:11Z) - Robust Single-Image Super-Resolution via CNNs and TV-TV Minimization [7.538482310185135]
シングルイメージ超解像(英: Single-image Super- resolution)とは、低解像度(LR)画像から高解像度(HR)画像を得る画像の解像度を増大させる過程である。
大規模なトレーニングデータセットを活用することで、現在のCNN(Convolutional Neural Network)は、このタスクにおける最先端のパフォーマンスを実現している。
我々は,CNNの出力をTV-TV最小化と呼ぶ最適化問題で処理後処理し,一貫性を実現することを提案する。
論文 参考訳(メタデータ) (2020-04-02T07:06:55Z) - Stochastic Frequency Masking to Improve Super-Resolution and Denoising
Networks [20.23203428843382]
超解像におけるカーネルオーバーフィッティングの周波数領域における解析について述べる。
本稿では,トレーニングに使用される画像の周波数マスキングを提案し,ネットワークを正規化し,過度に適合する問題に対処する。
本手法は, 異なる合成カーネル, 実超解像, ブラインド・ガウス・デノナイジング, 実像デノナイジングによるブラインド・スーパーレゾリューションの最先端手法を改善する。
論文 参考訳(メタデータ) (2020-03-16T11:21:20Z) - PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of
Generative Models [77.32079593577821]
PULSE (Photo Upsampling via Latent Space Exploration) は、それまで文献になかった解像度で高解像度でリアルな画像を生成する。
本手法は, 従来よりも高分解能, スケールファクターの知覚品質において, 最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2020-03-08T16:44:31Z) - Gated Fusion Network for Degraded Image Super Resolution [78.67168802945069]
本稿では,基本特徴と回復特徴を別々に抽出する二分岐畳み込みニューラルネットワークを提案する。
特徴抽出ステップを2つのタスク非依存ストリームに分解することで、デュアルブランチモデルがトレーニングプロセスを容易にすることができる。
論文 参考訳(メタデータ) (2020-03-02T13:28:32Z)
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。