論文の概要: Data--driven Image Restoration with Option--driven Learning for Big and
Small Astronomical Image Datasets
- arxiv url: http://arxiv.org/abs/2011.03696v1
- Date: Sat, 7 Nov 2020 05:05:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 22:58:22.064571
- Title: Data--driven Image Restoration with Option--driven Learning for Big and
Small Astronomical Image Datasets
- Title（参考訳）: 大規模・小型の天体画像データセットのためのオプション駆動学習によるデータ駆動画像復元
- Authors: Peng Jia, Ruiyu Ning, Ruiqi Sun, Xiaoshan Yang and Dongmei Cai
- Abstract要約: 本稿では,データ駆動型画像復元手法を提案する。
本手法は,参照画像の数にかかわらず,非常に安定した画像復元結果が得られる。
- 参考スコア（独自算出の注目度）: 11.96518190758417
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image restoration methods are commonly used to improve the quality of
astronomical images. In recent years, developments of deep neural networks and
increments of the number of astronomical images have evoked a lot of
data--driven image restoration methods. However, most of these methods belong
to supervised learning algorithms, which require paired images either from real
observations or simulated data as training set. For some applications, it is
hard to get enough paired images from real observations and simulated images
are quite different from real observed ones. In this paper, we propose a new
data--driven image restoration method based on generative adversarial networks
with option--driven learning. Our method uses several high resolution images as
references and applies different learning strategies when the number of
reference images is different. For sky surveys with variable observation
conditions, our method can obtain very stable image restoration results,
regardless of the number of reference images.
- Abstract（参考訳）: 画像復元法は一般に天文画像の品質向上に用いられている。
In recent years, developments of deep neural networks and increments of the number of astronomical images have evoked a lot of data--driven image restoration methods. However, most of these methods belong to supervised learning algorithms, which require paired images either from real observations or simulated data as training set. For some applications, it is hard to get enough paired images from real observations and simulated images are quite different from real observed ones. In this paper, we propose a new data--driven image restoration method based on generative adversarial networks with option--driven learning.
提案手法では,複数の高解像度画像を参照として使用し,参照画像の数が異なる場合に異なる学習戦略を適用する。
観測条件の異なるスカイサーベイでは,基準画像の数に関わらず,非常に安定した画像復元結果が得られる。
関連論文リスト
- One-Shot Image Restoration [0.0]
提案手法の適用性, 堅牢性, 計算効率を, 教師付き画像の劣化と超解像に応用できることを実験的に示す。
本結果は,学習モデルのサンプル効率,一般化,時間複雑性を大幅に改善したことを示す。
論文 参考訳（メタデータ） (2024-04-26T14:03:23Z) - CricaVPR: Cross-image Correlation-aware Representation Learning for Visual Place Recognition [73.51329037954866]
視覚的位置認識のための画像間相関認識を用いたロバストなグローバル表現手法を提案する。
本手法では,バッチ内の複数の画像の相関にアテンション機構を用いる。
本手法は,訓練時間を大幅に短縮し,最先端の手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2024-02-29T15:05:11Z) - Detecting Generated Images by Real Images Only [64.12501227493765]
既存の画像検出手法は、生成画像中の視覚的アーティファクトを検出したり、大規模なトレーニングによって、実画像と生成画像の両方から識別的特徴を学習する。
本稿では,新たな視点から生成した画像検出問題にアプローチする。
実画像の共通性を見つけ、特徴空間内の密接な部分空間にマッピングすることで、生成した画像は生成モデルに関係なくサブ空間の外側に投影される。
論文 参考訳（メタデータ） (2023-11-02T03:09:37Z) - Zero shot framework for satellite image restoration [25.163783640750573]
衛星画像復元のための歪み分散と知識蒸留の枠組みを提案する。
我々のアルゴリズムでは、歪みした衛星画像の復元と、類似した意味を持つ参照画像の2つの画像しか必要としない。
論文 参考訳（メタデータ） (2023-06-05T14:34:58Z) - Re-Imagen: Retrieval-Augmented Text-to-Image Generator [58.60472701831404]
検索用テキスト・ツー・イメージ・ジェネレータ(再画像)
検索用テキスト・ツー・イメージ・ジェネレータ(再画像)
論文 参考訳（メタデータ） (2022-09-29T00:57:28Z) - A comparison of different atmospheric turbulence simulation methods for
image restoration [64.24948495708337]
大気の乱流は、長距離イメージングシステムによって捉えられた画像の品質を悪化させる。
深層学習に基づく大気乱流緩和法が文献で提案されている。
様々な乱流シミュレーション手法が画像復元に与える影響を系統的に評価した。
論文 参考訳（メタデータ） (2022-04-19T16:21:36Z) - Underwater Image Restoration via Contrastive Learning and a Real-world
Dataset [59.35766392100753]
本稿では,教師なし画像から画像への翻訳フレームワークに基づく水中画像復元手法を提案する。
提案手法は, 生画像と復元画像の相互情報を最大化するために, コントラスト学習と生成敵ネットワークを利用した。
論文 参考訳（メタデータ） (2021-06-20T16:06:26Z) - AugNet: End-to-End Unsupervised Visual Representation Learning with
Image Augmentation [3.6790362352712873]
我々は、未ラベル画像の集合から画像特徴を学習するための新しいディープラーニングトレーニングパラダイムであるAugNetを提案する。
実験により,低次元空間における画像の表現が可能であることを実証した。
多くのディープラーニングベースの画像検索アルゴリズムとは異なり、我々のアプローチは外部アノテーション付きデータセットへのアクセスを必要としない。
論文 参考訳（メタデータ） (2021-06-11T09:02:30Z) - Unsupervised Single-Image Reflection Separation Using Perceptual Deep
Image Priors [6.333390830515411]
単一画像のリフレクション分離のための新しい教師なしフレームワークを提案する。
対象画像上の2つのクロスカップリング深部畳み込みネットワークのパラメータを最適化し、2つの排他的背景層と反射層を生成する。
その結果,本手法は単一画像からの反射を除去するための文献において最も近い教師なし手法よりも優れていた。
論文 参考訳（メタデータ） (2020-09-01T21:08:30Z) - Self-supervised Learning for Astronomical Image Classification [1.2891210250935146]
天文学では、毎日大量の画像データが測光サーベイによって生成される。
本稿では,未ラベルの天体画像から深部畳み込みニューラルネットワークを学習する手法を提案する。
論文 参考訳（メタデータ） (2020-04-23T17:32:19Z) - Geometrically Mappable Image Features [85.81073893916414]
地図内のエージェントの視覚に基づくローカライゼーションは、ロボット工学とコンピュータビジョンにおいて重要な問題である。
本稿では,画像検索を対象とした画像特徴学習手法を提案する。
論文 参考訳（メタデータ） (2020-03-21T15:36:38Z)
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。