論文の概要: EPSR: Edge Profile Super resolution

• arxiv url: http://arxiv.org/abs/2011.05308v3
• Date: Wed, 12 May 2021 08:49:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 02:12:15.446617
• Title: EPSR: Edge Profile Super resolution
• Title（参考訳）: EPSR: Edge Profile Super resolution
• Authors: Jiun Lee, Jaekwang Kim, Inyong Yun
• Abstract要約: 改良されたフラクタル残留ネットワーク(mFRN)構造を階層的に繰り返し積み重ねることでEPSRを作成する。 我々のEPSRは、PSNRおよびSSIM評価指標における最先端手法と視覚的結果との競合性能を達成する。
• 参考スコア（独自算出の注目度）: 1.2891210250935146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose Edge Profile Super Resolution(EPSR) method to preserve structure information and to restore texture. We make EPSR by stacking modified Fractal Residual Network(mFRN) structures hierarchically and repeatedly. mFRN is made up of lots of Residual Edge Profile Blocks(REPBs) consisting of three different modules such as Residual Efficient Channel Attention Block(RECAB) module, Edge Profile(EP) module, and Context Network(CN) module. RECAB produces more informative features with high frequency components. From the feature, EP module produce structure informed features by generating edge profile itself. Finally, CN module captures details by exploiting high frequency information such as texture and structure with proper sharpness. As repeating the procedure in mFRN structure, our EPSR could extract high-fidelity features and thus it prevents texture loss and preserves structure with appropriate sharpness. Experimental results present that our EPSR achieves competitive performance against state-of-the-art methods in PSNR and SSIM evaluation metrics as well as visual results.
• Abstract（参考訳）: 本稿では,構造情報を保存し,テクスチャを復元するためのエッジプロファイル・スーパーレゾリューション(EPSR)手法を提案する。 改良されたフラクタル残留ネットワーク(mFRN)構造を階層的に繰り返し積み重ねることでEPSRを作成する。 mFRNはResidual Efficient Channel Attention Block(RECAB)モジュール、Edge Profile(EP)モジュール、Context Network(CN)モジュールという3つの異なるモジュールで構成される多数のResidual Edge Profile Block(REPB)で構成されている。 RECABは、高周波成分のより情報的な特徴を生み出す。 この特徴から、EPモジュールはエッジプロファイル自体を生成することで、構造情報機能を生成する。 最後にcnモジュールは、テクスチャや構造などの高周波情報を適切なシャープネスで活用することで詳細をキャプチャする。 この手法をmFRN構造で繰り返し行うことにより, EPSRは高忠実度の特徴を抽出し, テクスチャロスを防止し, 適切な鋭さで構造を保存できる。 実験結果から,PSNRおよびSSIM評価における最先端手法と視覚的結果との競合性能が得られた。

関連論文リスト

• Edge-weighted pFISTA-Net for MRI Reconstruction [0.0]
  本稿では,検出したエッジマップをpFISTA-Netのソフト保持部分に直接適用するエッジ重み付きpFISTA-Netを提案する。 提案手法は, 最先端の深層学習法と比較して, 誤りの低減とアーチファクトの抑制を図った。
  論文  参考訳（メタデータ） (2023-02-15T04:46:17Z)
• Structure Flow-Guided Network for Real Depth Super-Resolution [28.63334760296165]
  本稿では,新しい構造フロー誘導深度超解像(DSR)フレームワークを提案する。 クロスモダリティフローマップを学習し、RGB構造情報転送を正確に深度アップサンプリングするためのガイドする。 我々のフレームワークは最先端の手法と比較して優れた性能を実現している。
  論文  参考訳（メタデータ） (2023-01-31T05:13:55Z)
• Bridging Component Learning with Degradation Modelling for Blind Image Super-Resolution [69.11604249813304]
  視覚障害者のためのコンポーネント分解・協調最適化ネットワーク(CDCN)を提案する。 CDCNは入力LR画像を特徴空間の構造と詳細成分に分解する。 本稿では,HR画像の細部と構造復元過程を協調的に監督する,劣化駆動型学習戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-03T14:53:56Z)
• Learning Detail-Structure Alternative Optimization for Blind Super-Resolution [69.11604249813304]
  そこで我々は,ブラインドSRに先立ってカーネルを曖昧にすることなく,再帰的な詳細構造代替最適化を実現する,有効かつカーネルフリーなネットワークDSSRを提案する。 DSSRでは、細部構造変調モジュール(DSMM)が構築され、画像の詳細と構造の相互作用と協調を利用する。 本手法は既存の手法に対して最先端の手法を実現する。
  論文  参考訳（メタデータ） (2022-12-03T14:44:17Z)
• Cross-SRN: Structure-Preserving Super-Resolution Network with Cross Convolution [64.76159006851151]
  低解像度 (LR) 画像から高解像度 (SR) 画像への復元は, 正確かつ明確である。 既存のディープラーニングは、画像の固有の構造情報をほとんど無視する。 構造情報の探索と保存を行う階層的特徴利用ネットワークを設計する。
  論文  参考訳（メタデータ） (2022-01-05T05:15:01Z)
• Structure-Preserving Image Super-Resolution [94.16949589128296]
  単一画像超解像(SISR)の構造 近年の研究では、フォトリアリスティック画像の復元によるSISRの開発が進められている。 しかし、回収された画像にはいまだ望ましくない構造歪みがある。
  論文  参考訳（メタデータ） (2021-09-26T08:48:27Z)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• Structure-Preserving Super Resolution with Gradient Guidance [87.79271975960764]
  単一画像超解像(SISR)の構造 最近のGAN(Generative Adversarial Network)による研究は、SISRの開発を促進している。 しかし、復元された画像には常に望ましくない構造歪みがある。
  論文  参考訳（メタデータ） (2020-03-29T17:26:58Z)

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。