論文の概要: Unfolding the Alternating Optimization for Blind Super Resolution

• arxiv url: http://arxiv.org/abs/2010.02631v4
• Date: Wed, 25 Nov 2020 11:02:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 07:22:26.070903
• Title: Unfolding the Alternating Optimization for Blind Super Resolution
• Title（参考訳）: ブラインド超解像における交互最適化の展開
• Authors: Zhengxiong Luo, Yan Huang, Shang Li, Liang Wang and Tieniu Tan
• Abstract要約: 2段階の解決策は、2つの独立に訓練されたモデルを含む。 ボケカーネルを推定し,SR画像を1つのモデルで復元できる交互最適化アルゴリズムを採用する。 我々のモデルは最先端の手法を大きく上回り、はるかに高速で視覚的に有利な結果が得られる。
• 参考スコア（独自算出の注目度）: 60.39409203244474
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Previous methods decompose blind super resolution (SR) problem into two sequential steps: \textit{i}) estimating blur kernel from given low-resolution (LR) image and \textit{ii}) restoring SR image based on estimated kernel. This two-step solution involves two independently trained models, which may not be well compatible with each other. Small estimation error of the first step could cause severe performance drop of the second one. While on the other hand, the first step can only utilize limited information from LR image, which makes it difficult to predict highly accurate blur kernel. Towards these issues, instead of considering these two steps separately, we adopt an alternating optimization algorithm, which can estimate blur kernel and restore SR image in a single model. Specifically, we design two convolutional neural modules, namely \textit{Restorer} and \textit{Estimator}. \textit{Restorer} restores SR image based on predicted kernel, and \textit{Estimator} estimates blur kernel with the help of restored SR image. We alternate these two modules repeatedly and unfold this process to form an end-to-end trainable network. In this way, \textit{Estimator} utilizes information from both LR and SR images, which makes the estimation of blur kernel easier. More importantly, \textit{Restorer} is trained with the kernel estimated by \textit{Estimator}, instead of ground-truth kernel, thus \textit{Restorer} could be more tolerant to the estimation error of \textit{Estimator}. Extensive experiments on synthetic datasets and real-world images show that our model can largely outperform state-of-the-art methods and produce more visually favorable results at much higher speed. The source code is available at https://github.com/greatlog/DAN.git.
• Abstract（参考訳）: 従来の方法では、ブラインド超解像(SR)問題を2つの逐次ステップに分解する: \textit{i}) 与えられた低解像度(LR)画像からぼやけたカーネルを推定する。 この2段階のソリューションは、2つの独立に訓練されたモデルを含む。 第1ステップの小さな推定誤差は、第2ステップのパフォーマンス低下を引き起こす可能性がある。 一方,最初のステップではLR画像からの限られた情報しか利用できないため,高精度なボケカーネルの予測が困難である。 これらの問題に対して,これら2つのステップを別々に考えるのではなく,1つのモデルでぼかしカーネルを推定し,sr画像を復元する交互最適化アルゴリズムを採用する。 具体的には、2つの畳み込みニューラルモジュール、すなわち \textit{Restorer} と \textit{Estimator} を設計する。 \textit{Restorer}は予測されたカーネルに基づいてSRイメージを復元し、\textit{Estimator}は復元されたSRイメージの助けを借りてボケカーネルを推定する。 これら2つのモジュールを交換し、このプロセスを展開してエンドツーエンドのトレーニング可能なネットワークを形成します。 このようにして、 \textit{Estimator} は LR 画像と SR 画像の両方からの情報を利用する。 より重要なことに、 \textit{restorer} は基底核の代わりに \textit{estimator} によって推定されるカーネルで訓練されるので、 \textit{restorer} は \textit{estimator} の推定誤差に耐性がある。 合成データセットと実世界の画像の大規模な実験により、我々のモデルは最先端の手法を大きく上回り、はるかに高速でより視覚的に有利な結果が得られることが示された。 ソースコードはhttps://github.com/greatlog/DAN.gitで入手できる。

関連論文リスト

• End-to-end Alternating Optimization for Real-World Blind Super Resolution [43.95832398891317]
  Blind Super-Resolution (SR) は通常2つのサブプロブレムを含む。 与えられた低分解能(LR)画像の劣化を推定し、高分解能(HR)画像に超解凍する。 本稿では,SR画像の劣化と復元を1つのモデルで推定できる交互最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-08-17T06:55:09Z)
• Dual-Diffusion: Dual Conditional Denoising Diffusion Probabilistic Models for Blind Super-Resolution Reconstruction in RSIs [6.2678394285548755]
  条件付きデノゲーション拡散確率モデル(DDPM)に基づく新しいブラインドSRフレームワークを提案する。 本研究では,カーネル推定の進展と再構築の進展という2つの側面から,条件付き分散確率モデル(DDPM)を導入する。 我々は、LR画像からHR画像へのマッピングを学習するためのDDPMベースの再構成器を構築する。
  論文  参考訳（メタデータ） (2023-05-20T11:18:38Z)
• Kernelized Back-Projection Networks for Blind Super Resolution [14.422263486129811]
  超分解能(SR)は、任意の劣化によって劣化した低分解能(LR)画像の超分解に失敗する。 本稿では, ブラインドSRの劣化モデルに比較して, ブラインドカーネルを用いて訓練した非ブラインドSRは, ブラインドSRの劣化モデルと同等の性能を示すことを示す。
  論文  参考訳（メタデータ） (2023-02-16T18:35:39Z)
• Towards Lightweight Super-Resolution with Dual Regression Learning [58.98801753555746]
  深層ニューラルネットワークは、画像超解像(SR)タスクにおいて顕著な性能を示した。 SR問題は通常不適切な問題であり、既存の手法にはいくつかの制限がある。 本稿では、SRマッピングの可能な空間を削減するために、二重回帰学習方式を提案する。
  論文  参考訳（メタデータ） (2022-07-16T12:46:10Z)
• 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)
• Mutual Affine Network for Spatially Variant Kernel Estimation in Blind Image Super-Resolution [130.32026819172256]
  既存のブラインド画像超解像法(SR)は、ぼやけたカーネルが画像全体にわたって空間的に不変であると仮定する。 本稿では,空間変動カーネル推定のための相互アフィンネットワーク(MANet)を提案する。
  論文  参考訳（メタデータ） (2021-08-11T16:11:17Z)
• End-to-end Alternating Optimization for Blind Super Resolution [68.395664154041]
  2段階の解決策は、2つの独立に訓練されたモデルを含む。 我々は、ボケカーネルを推定し、単一のモデルでSRイメージを復元することができる交互最適化アルゴリズムを採用しています。 我々のモデルは最先端の手法を大きく上回り、はるかに高速で視覚的に有利な結果が得られる。
  論文  参考訳（メタデータ） (2021-05-14T15:05:30Z)
• Closed-loop Matters: Dual Regression Networks for Single Image Super-Resolution [73.86924594746884]
  ディープニューラルネットワークは、画像超解像において有望な性能を示した。 これらのネットワークは、低分解能(LR)画像から高分解能(HR)画像への非線形マッピング関数を学習する。 本稿では,可能な関数の空間を削減するために,LRデータに新たな制約を導入することで,二重回帰手法を提案する。
  論文  参考訳（メタデータ） (2020-03-16T04:23:42Z)

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。