論文の概要: Attaining Real-Time Super-Resolution for Microscopic Images Using GAN

• arxiv url: http://arxiv.org/abs/2010.04634v1
• Date: Fri, 9 Oct 2020 15:26:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 06:15:34.997944
• Title: Attaining Real-Time Super-Resolution for Microscopic Images Using GAN
• Title（参考訳）: GANを用いた顕微鏡画像のリアルタイム超解像
• Authors: Vibhu Bhatia, Yatender Kumar
• Abstract要約: 本稿では,標準的なGPUを用いた超解像顕微鏡をリアルタイムに実行するための,既存のディープラーニングに基づく手法の改善に焦点をあてる。 生成器のアーキテクチャとSRGANの判別器の単純な変更を提案する。 我々は、我々のモデルが生成した出力の品質と実行時間を比較し、ローエンドのベンチトップやモバイルの顕微鏡のような様々な領域にそのアプリケーションを開放する。
• 参考スコア（独自算出の注目度）: 0.06345523830122167
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the last few years, several deep learning models, especially Generative Adversarial Networks have received a lot of attention for the task of Single Image Super-Resolution (SISR). These methods focus on building an end-to-end framework, which produce a high resolution(SR) image from a given low resolution(LR) image in a single step to achieve state-of-the-art performance. This paper focuses on improving an existing deep-learning based method to perform Super-Resolution Microscopy in real-time using a standard GPU. For this, we first propose a tiling strategy, which takes advantage of parallelism provided by a GPU to speed up the network training process. Further, we suggest simple changes to the architecture of the generator and the discriminator of SRGAN. Subsequently, We compare the quality and the running time for the outputs produced by our model, opening its applications in different areas like low-end benchtop and even mobile microscopy. Finally, we explore the possibility of the trained network to produce High-Resolution HR outputs for different domains.
• Abstract（参考訳）: 過去数年間、いくつかのディープラーニングモデル、特に生成型逆ネットワークは、シングルイメージスーパーレゾリューション(sisr)のタスクで多くの注目を集めてきた。 これらの手法は、与えられた低解像度(LR)画像から高解像度(SR)画像を単一ステップで生成し、最先端の性能を達成するエンドツーエンドのフレームワークの構築に重点を置いている。 本稿では,標準的なGPUを用いた超解像顕微鏡をリアルタイムに実行するための,既存のディープラーニングに基づく手法の改善に焦点をあてる。 そこで本研究では,まず,gpuによる並列処理を活用し,ネットワークトレーニングプロセスを高速化するタイリング戦略を提案する。 さらに、生成器のアーキテクチャとSRGANの判別器の簡単な変更を提案する。 その後,我々のモデルが生成する出力に対する品質と実行時間を比較し,ローエンドベンチトップやモバイル顕微鏡など,さまざまな領域でアプリケーションを公開する。 最後に、異なる領域に対して高分解能HR出力を生成するためのトレーニングネットワークの可能性を検討する。

関連論文リスト

• Generative Adversarial Super-Resolution at the Edge with Knowledge Distillation [1.3764085113103222]
  シングルイメージのスーパーソリューションは、信頼できるビジュアルストリームが必要な環境でのロボットタスクをサポートすることができる。 我々は,EdgeSRGANと呼ばれるリアルタイム超解法のための効率的な生成逆ネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-09-07T10:58:41Z)
• SwiftSRGAN -- Rethinking Super-Resolution for Efficient and Real-time Inference [0.0]
  本稿では,メモリフットプリントの高速化と小型化を実現したアーキテクチャを提案する。 リアルタイムの超解像度により、帯域幅の低い条件下でも高解像度のメディアコンテンツをストリーミングできる。
  論文  参考訳（メタデータ） (2021-11-29T04:20:15Z)
• Image-specific Convolutional Kernel Modulation for Single Image Super-resolution [85.09413241502209]
  本稿では,新しい画像特異的畳み込み変調カーネル(IKM)を提案する。 我々は、画像や特徴のグローバルな文脈情報を利用して、畳み込みカーネルを適応的に調整するための注意重みを生成する。 単一画像超解像実験により,提案手法は最先端手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-11-16T11:05:10Z)
• LAPAR: Linearly-Assembled Pixel-Adaptive Regression Network for Single Image Super-Resolution and Beyond [75.37541439447314]
  単一画像超解像(SISR)は、低解像度(LR)画像を高解像度(HR)バージョンにアップサンプリングする根本的な問題を扱う。 本稿では,線形組立画素適応回帰ネットワーク (LAPAR) を提案する。
  論文  参考訳（メタデータ） (2021-05-21T15:47:18Z)
• Best-Buddy GANs for Highly Detailed Image Super-Resolution [71.13466303340192]
  我々は,低分解能(LR)入力に基づいて高分解能(HR)画像を生成する単一画像超解像(SISR)問題を考える。 このラインに沿ったほとんどのメソッドは、SISRタスクに十分な柔軟性がない、事前定義されたシングルLRシングルHRマッピングに依存しています。 リッチディテールSISRのためのベストバディGAN(Beby-GAN)を提案する。 イミュータブルな1対1の制約を緩和することで、推定されたパッチを動的に最高の監視を求めることができる。
  論文  参考訳（メタデータ） (2021-03-29T02:58:27Z)
• Efficient texture-aware multi-GAN for image inpainting [5.33024001730262]
  近年のGAN (Generative Adversarial Network) のインペイント手法は顕著に改善されている。 本稿では,性能とレンダリング効率の両方を改善するマルチGANアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-09-30T14:58:03Z)
• 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)
• Deep Generative Adversarial Residual Convolutional Networks for Real-World Super-Resolution [31.934084942626257]
  我々は,超解像残差畳み込み生成共役ネットワーク(SRResCGAN)を提案する。 これは、生成したLRドメインからHRドメインの画素単位の監督でモデルを逆トレーニングすることで、現実世界の劣化設定に従う。 提案するネットワークは,画像の高精細化と凸最適化によるエネルギーベース目的関数の最小化により,残差学習を利用する。
  論文  参考訳（メタデータ） (2020-05-03T00:12:38Z)
• 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)
• 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)
• Pixel-Level Self-Paced Learning for Super-Resolution [101.13851473792334]
  本稿では、SISRモデルの収束速度を高速化するために、PPL(Pixel-level Self-Paced Learning)と呼ばれるトレーニング戦略を設計する。 自己ペースト学習を模倣したPSPLは、予測SR画像中の各ピクセルとその対応するピクセルに注意重みを与え、パラメータ空間内のより良い領域にモデルを誘導する。 実験の結果、PSPLはSISRモデルの訓練を高速化し、いくつかの既存のモデルに新たなより良い結果を得るよう促すことができた。
  論文  参考訳（メタデータ） (2020-03-06T10:04:50Z)

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。