論文の概要: Checkerboard-Artifact-Free Image-Enhancement Network Considering Local
and Global Features
- arxiv url: http://arxiv.org/abs/2010.12347v1
- Date: Tue, 13 Oct 2020 01:28:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 00:30:40.387346
- Title: Checkerboard-Artifact-Free Image-Enhancement Network Considering Local
and Global Features
- Title（参考訳）: 局所的特徴とグローバル的特徴を考慮したチェッカーボードフリーイメージエンハンスメントネットワーク
- Authors: Yuma Kinoshita and Hitoshi Kiya
- Abstract要約: 画像強調のために,チェッカーボードのアーティファクトを発生させない新しい畳み込みニューラルネットワーク(CNN)を提案する。
提案したネットワークは、様々な客観的品質指標を用いて、最先端のCNNベースの画像強調手法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 20.242221018089715
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose a novel convolutional neural network (CNN) that
never causes checkerboard artifacts, for image enhancement. In research fields
of image-to-image translation problems, it is well-known that images generated
by usual CNNs are distorted by checkerboard artifacts which mainly caused in
forward-propagation of upsampling layers. However, checkerboard artifacts in
image enhancement have never been discussed. In this paper, we point out that
applying U-Net based CNNs to image enhancement causes checkerboard artifacts.
In contrast, the proposed network that contains fixed convolutional layers can
perfectly prevent the artifacts. In addition, the proposed network
architecture, which can handle both local and global features, enables us to
improve the performance of image enhancement. Experimental results show that
the use of fixed convolutional layers can prevent checkerboard artifacts and
the proposed network outperforms state-of-the-art CNN-based image-enhancement
methods in terms of various objective quality metrics: PSNR, SSIM, and NIQE.
- Abstract（参考訳）: 本稿では,画像強調のためのチェッカーボードアーティファクトを発生させない畳み込みニューラルネットワーク(cnn)を提案する。
画像から画像への翻訳問題の研究分野では、通常cnnが生成する画像がチェッカーボードのアーティファクトによって歪められていることがよく知られている。
しかし、画像強調におけるチェッカーボードアーティファクトは議論されていない。
本稿では,U-NetベースのCNNを画像強調に適用することで,チェッカーボードのアーティファクトが生じることを指摘する。
対照的に、固定畳み込み層を含む提案ネットワークは、アーティファクトを完全に防止することができる。
さらに、提案するネットワークアーキテクチャは、ローカル機能とグローバル機能の両方を扱うことができ、画像エンハンスメントのパフォーマンスを向上させることができる。
実験の結果,固定畳み込み層を用いることでチェッカーボードのアーティファクトを防止でき,提案するネットワークは,psnr,ssim,niqeなどの客観的品質指標を用いて,最先端のcnnベースの画像エンハンスメント手法よりも優れていることがわかった。
関連論文リスト
- Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。
CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。
DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文 参考訳（メタデータ） (2023-10-11T12:46:11Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳（メタデータ） (2023-08-24T12:32:46Z) - LR-Net: A Block-based Convolutional Neural Network for Low-Resolution
Image Classification [0.0]
ノイズや低解像度の画像から低レベル特徴と大域特徴の両方を学習するためのブロックで構成された,新しい画像分類アーキテクチャを開発した。
ブロックの設計は,性能向上とパラメータサイズ削減のために,Residual ConnectionとInceptionモジュールの影響を強く受けていた。
我々は、提示されたアーキテクチャが既存の最先端畳み込みニューラルネットワークよりも高速で正確であることを示す詳細なテストを実施した。
論文 参考訳（メタデータ） (2022-07-19T20:01:11Z) - Image Quality Assessment using Contrastive Learning [50.265638572116984]
我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。
本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。
以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
論文 参考訳（メタデータ） (2021-10-25T21:01:00Z) - Segmentation of Roads in Satellite Images using specially modified U-Net
CNNs [0.0]
本研究の目的は,道路画像の特定を行う都市景観の衛星画像の分類器を構築することである。
従来のコンピュータビジョンアルゴリズムとは異なり、畳み込みニューラルネットワーク(CNN)はこのタスクに対して正確で信頼性の高い結果を提供する。
論文 参考訳（メタデータ） (2021-09-29T19:08:32Z) - The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。
本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
論文 参考訳（メタデータ） (2021-01-29T07:46:39Z) - GIID-Net: Generalizable Image Inpainting Detection via Neural
Architecture Search and Attention [19.599993572921065]
画像インペイントツールの悪意ある使用により、画像データの信頼性に対する脅威が増大した。
偽造防止のために,giid-net(end-to-end generalizable image inpainting detection network)を提案する。
提案するgiid-netは,拡張ブロック,抽出ブロック,決定ブロックの3つのサブブロックからなる。
論文 参考訳（メタデータ） (2021-01-19T02:29:40Z) - Convolutional Neural Networks from Image Markers [62.997667081978825]
特徴 画像マーカーからの学習(FLIM)は、ごく少数の画像でユーザーが描画したストロークから、バックプロパゲーションのない畳み込みフィルタを推定するために最近提案されました。
本稿では、フルコネクテッド層に対してFLIMを拡張し、異なる画像分類問題について実証する。
その結果、FLIMベースの畳み込みニューラルネットワークは、バックプロパゲーションによってゼロから訓練された同じアーキテクチャを上回ります。
論文 参考訳（メタデータ） (2020-12-15T22:58:23Z) - From W-Net to CDGAN: Bi-temporal Change Detection via Deep Learning
Techniques [43.58400031452662]
W-Netと呼ばれるエンドツーエンドのデュアルブランチアーキテクチャを提案し、各ブランチは2つのバイテンポラルイメージのうちの1つを入力として取り込む。
また、最近人気になったGAN(Generative Adversarial Network)を応用し、当社のW-Netがジェネレータとして機能している。
ネットワークをトレーニングし,今後の研究を促進するために,Google Earthから画像を収集して大規模なデータセットを構築する。
論文 参考訳（メタデータ） (2020-03-14T09:24:08Z) - A U-Net Based Discriminator for Generative Adversarial Networks [86.67102929147592]
GAN(Generative Adversarial Network)のための代替U-Netベースの識別器アーキテクチャを提案する。
提案アーキテクチャにより,合成画像のグローバルコヒーレンスを維持しつつ,画素単位の詳細なフィードバックを生成元に提供することができる。
斬新な判別器は、標準分布と画像品質の指標の観点から、最先端の技術を向上する。
論文 参考訳（メタデータ） (2020-02-28T11:16:54Z) - Fixed smooth convolutional layer for avoiding checkerboard artifacts in
CNNs [20.242221018089715]
畳み込みニューラルネットワーク(CNN)におけるチェッカーボードアーティファクトを回避するために,スムーズな順序の固定畳み込み層を提案する。
提案した層は、ストライドされた畳み込み層や、転置された畳み込み層を含むアップサンプリング層に起因するチェッカーボードのアーティファクトを完全に防止することができる。
固定層は、初めて生成敵ネットワーク(GAN)に適用される。
論文 参考訳（メタデータ） (2020-02-06T06:36:45Z)
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。