論文の概要: Learning Deep Interleaved Networks with Asymmetric Co-Attention for Image Restoration

• arxiv url: http://arxiv.org/abs/2010.15689v1
• Date: Thu, 29 Oct 2020 15:32:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-01 23:13:32.037079
• Title: Learning Deep Interleaved Networks with Asymmetric Co-Attention for Image Restoration
• Title（参考訳）: 画像復元のための非対称協調型ディープインターリーブネットワークの学習
• Authors: Feng Li, Runmin Cong, Huihui Bai, Yifan He, Yao Zhao, and Ce Zhu
• Abstract要約: 本稿では,高品質(本社)画像再構成のために,異なる状態の情報をどのように組み合わせるべきかを学習するディープインターリーブドネットワーク(DIN)を提案する。 本稿では,各インターリーブノードにアタッチメントされた非対称なコアテンション(AsyCA)を提案し,その特性依存性をモデル化する。 提案したDINはエンドツーエンドで訓練でき、様々な画像復元タスクに適用できる。
• 参考スコア（独自算出の注目度）: 65.11022516031463
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, convolutional neural network (CNN) has demonstrated significant success for image restoration (IR) tasks (e.g., image super-resolution, image deblurring, rain streak removal, and dehazing). However, existing CNN based models are commonly implemented as a single-path stream to enrich feature representations from low-quality (LQ) input space for final predictions, which fail to fully incorporate preceding low-level contexts into later high-level features within networks, thereby producing inferior results. In this paper, we present a deep interleaved network (DIN) that learns how information at different states should be combined for high-quality (HQ) images reconstruction. The proposed DIN follows a multi-path and multi-branch pattern allowing multiple interconnected branches to interleave and fuse at different states. In this way, the shallow information can guide deep representative features prediction to enhance the feature expression ability. Furthermore, we propose asymmetric co-attention (AsyCA) which is attached at each interleaved node to model the feature dependencies. Such AsyCA can not only adaptively emphasize the informative features from different states, but also improves the discriminative ability of networks. Our presented DIN can be trained end-to-end and applied to various IR tasks. Comprehensive evaluations on public benchmarks and real-world datasets demonstrate that the proposed DIN perform favorably against the state-of-the-art methods quantitatively and qualitatively.
• Abstract（参考訳）: 近年、畳み込みニューラルネットワーク(cnn)は、画像復元(ir)タスク(画像のスーパーレゾリューション、画像デブラリング、雨のストリーク除去、デハジングなど)において大きな成功を収めている。 しかし、既存のCNNベースのモデルは、最終予測のための低品質(LQ)入力空間から特徴表現を豊かにするシングルパスストリームとして一般的に実装されている。 本稿では、高品質な(本社)画像再構成のために、異なる状態の情報をどのように組み合わせるべきかを学習するディープインターリーブドネットワーク(DIN)を提案する。 提案したDINはマルチパスおよびマルチブランチパターンに従っており、複数の相互接続された分岐が異なる状態においてインターリーブおよびヒューズを行うことができる。 このように、浅い情報は深い代表的特徴予測を導き、特徴表現能力を高めることができる。 さらに,各インターリーブノードにアタッチして特徴依存性をモデル化する非対称コアテンション(asyca)を提案する。 このようなAsyCAは、異なる状態からの情報的特徴を適応的に強調できるだけでなく、ネットワークの識別能力も向上する。 提案したDINはエンドツーエンドで訓練でき、様々な赤外線タスクに適用できる。 公開ベンチマークと実世界のデータセットに関する包括的評価により,提案手法は定量的・定性的に最先端手法に好適であることが示された。

関連論文リスト

• TOPIQ: A Top-down Approach from Semantics to Distortions for Image Quality Assessment [53.72721476803585]
  画像品質評価(IQA)は、ディープニューラルネットワークによる顕著な進歩を目の当たりにしたコンピュータビジョンの基本課題である。 本稿では,高レベルの意味論を用いてIQAネットワークを誘導し,意味的に重要な局所歪み領域に注目するトップダウンアプローチを提案する。 提案手法の重要な要素は,低レベル特徴に対するアテンションマップを算出した,クロススケールアテンション機構である。
  論文  参考訳（メタデータ） (2023-08-06T09:08:37Z)
• 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)
• Learning Transformer Features for Image Quality Assessment [53.51379676690971]
  本稿では,CNNバックボーンとトランスフォーマーエンコーダを用いて特徴抽出を行うIQAフレームワークを提案する。 提案するフレームワークはFRモードとNRモードの両方と互換性があり、共同トレーニング方式が可能である。
  論文  参考訳（メタデータ） (2021-12-01T13:23:00Z)
• 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)
• A Singular Value Perspective on Model Robustness [14.591622269748974]
  我々は、自然に訓練され、逆向きに堅牢なCNNが、同じデータセットに対して非常に異なる特徴を利用することを示す。 画像ランクに対するCNNの依存性を理解するために,最初のランクベース特徴属性法であるランク統合勾配(RIG)を提案する。
  論文  参考訳（メタデータ） (2020-12-07T08:09:07Z)
• Deep Interleaved Network for Image Super-Resolution With Asymmetric Co-Attention [11.654141322782074]
  画像SRにおいて、異なる状態の情報をどのように組み合わせるべきかを学ぶために、ディープインターリーブドネットワーク(DIN)を提案する。 我々のDINは、複数の相互接続された枝を異なる状態にインターリーブしてヒューズすることができるマルチブランチパターンに従っています。 さらに,非対称コアテンション (AsyCA) が提案され,異なる状態からの情報的特徴を適応的に強調するために,インターリーブノードに攻撃される。
  論文  参考訳（メタデータ） (2020-04-24T15:49:18Z)
• 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。