論文の概要: Interpretable Detail-Fidelity Attention Network for Single Image
Super-Resolution
- arxiv url: http://arxiv.org/abs/2009.13134v1
- Date: Mon, 28 Sep 2020 08:31:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 21:13:31.129482
- Title: Interpretable Detail-Fidelity Attention Network for Single Image
Super-Resolution
- Title(参考訳): 単一画像スーパーリゾリューションのための解釈可能な奥行きアテンションネットワーク
- Authors: Yuanfei Huang, Jie Li, Xinbo Gao, Yanting Hu, Wen Lu
- Abstract要約: 本研究では,スムースとディテールを段階的に分割・収束的に処理する,目的・解釈可能なディテール・ファイダリティ・アテンション・ネットワークを提案する。
特に,詳細推論において顕著な解釈可能な特徴表現のためのヘシアンフィルタを提案する。
実験により,提案手法は最先端手法よりも優れた性能を示すことが示された。
- 参考スコア(独自算出の注目度): 89.1947690981471
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Benefiting from the strong capabilities of deep CNNs for feature
representation and nonlinear mapping, deep-learning-based methods have achieved
excellent performance in single image super-resolution. However, most existing
SR methods depend on the high capacity of networks which is initially designed
for visual recognition, and rarely consider the initial intention of
super-resolution for detail fidelity. Aiming at pursuing this intention, there
are two challenging issues to be solved: (1) learning appropriate operators
which is adaptive to the diverse characteristics of smoothes and details; (2)
improving the ability of model to preserve the low-frequency smoothes and
reconstruct the high-frequency details. To solve them, we propose a purposeful
and interpretable detail-fidelity attention network to progressively process
these smoothes and details in divide-and-conquer manner, which is a novel and
specific prospect of image super-resolution for the purpose on improving the
detail fidelity, instead of blindly designing or employing the deep CNNs
architectures for merely feature representation in local receptive fields.
Particularly, we propose a Hessian filtering for interpretable feature
representation which is high-profile for detail inference, a dilated
encoder-decoder and a distribution alignment cell to improve the inferred
Hessian features in morphological manner and statistical manner respectively.
Extensive experiments demonstrate that the proposed methods achieve superior
performances over the state-of-the-art methods quantitatively and
qualitatively. Code is available at https://github.com/YuanfeiHuang/DeFiAN.
- Abstract(参考訳): 特徴表現と非線形マッピングのためのディープcnnの強力な能力から、ディープラーニングベースの手法は、単一画像の超解像において優れた性能を達成している。
しかし、既存のSR手法の多くは、当初視覚認識のために設計されたネットワークの高容量化に依存しており、細部への高解像度化の意図を考えることは滅多にない。
この目的を追求するために、(1)スムーズとディテールの多様な特性に適応した適切な演算子の学習、(2)低周波スムーズを保存し高周波ディテールを再構築するモデルの能力の向上、という2つの課題が解決される。
そこで本研究では,これらのスムースと詳細を分割・コンカレントに段階的に処理する,目的的かつ解釈可能な詳細忠実度注意ネットワークを提案する。これは局所受容領域における特徴表現のみのために,深部CNNアーキテクチャを盲目的に設計・採用する代わりに,詳細忠実度を改善するための画像超解像の新規かつ具体的な可能性である。
特に、細部推論で顕著な解釈可能な特徴表現のためのヘッセンフィルタ、拡張エンコーダデコーダと分布アライメントセルを提案し、それぞれ形態的および統計的手法で推論されたヘッセン特徴を改善する。
大規模実験により,提案手法は最先端手法よりも定量的かつ定性的に優れた性能を発揮することが示された。
コードはhttps://github.com/yuanfeihuang/defianで入手できる。
関連論文リスト
- RDRN: Recursively Defined Residual Network for Image Super-Resolution [58.64907136562178]
深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像において顕著な性能を得た。
本稿では,注目ブロックを効率的に活用する新しいネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-11-17T11:06:29Z) - Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。
我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
論文 参考訳(メタデータ) (2022-04-19T17:59:45Z) - Channel-Wise Attention-Based Network for Self-Supervised Monocular Depth
Estimation [3.948385714371362]
自己教師付き学習は単眼深度推定に非常に有望な結果を示した。
近年の研究では、シーン構造の明示的なモデリングや詳細情報の適切な処理が欠如している。
本稿では,チャネルワイド・アテンションに基づく奥行き推定ネットワーク(CADepth-Net)を提案する。
論文 参考訳(メタデータ) (2021-12-24T12:18:54Z) - Bayesian Attention Belief Networks [59.183311769616466]
注意に基づくニューラルネットワークは、幅広いタスクにおいて最先端の結果を得た。
本稿では,非正規化注意重みをモデル化してデコーダネットワークを構築するベイズ的注意信念ネットワークについて紹介する。
提案手法は, 精度, 不確実性推定, ドメイン間の一般化, 敵攻撃において, 決定論的注意と最先端の注意よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-06-09T17:46:22Z) - 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) - Hyperspectral Image Super-resolution via Deep Spatio-spectral
Convolutional Neural Networks [32.10057746890683]
本稿では,高分解能ハイパースペクトル像と高分解能マルチスペクトル像を融合させる,深部畳み込みニューラルネットワークの簡易かつ効率的なアーキテクチャを提案する。
提案したネットワークアーキテクチャは,近年の最先端ハイパースペクトル画像の超解像化手法と比較して,最高の性能を達成している。
論文 参考訳(メタデータ) (2020-05-29T05:56:50Z) - Resolution Adaptive Networks for Efficient Inference [53.04907454606711]
本稿では,低分解能表現が「容易」な入力を分類するのに十分である,という直感に触発された新しいレゾリューション適応ネットワーク(RANet)を提案する。
RANetでは、入力画像はまず、低解像度表現を効率的に抽出する軽量サブネットワークにルーティングされる。
ネットワーク内の高解像度パスは、"ハード"サンプルを認識する能力を維持している。
論文 参考訳(メタデータ) (2020-03-16T16:54:36Z) - Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。
ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。
提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
論文 参考訳(メタデータ) (2020-03-15T11:04:30Z)
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。