論文の概要: Strict Enforcement of Conservation Laws and Invertibility in CNN-Based
Super Resolution for Scientific Datasets
- arxiv url: http://arxiv.org/abs/2011.05586v2
- Date: Tue, 26 Oct 2021 21:41:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 00:52:44.990671
- Title: Strict Enforcement of Conservation Laws and Invertibility in CNN-Based
Super Resolution for Scientific Datasets
- Title(参考訳): 科学データセットのCNNに基づく超解像における保存法則の厳格化と可逆性
- Authors: Andrew Geiss and Joseph C. Hardin
- Abstract要約: 深部畳み込みニューラルネットワーク(CNN)は画像超解像(SR)に革命をもたらした
衛星リモートセンシング、レーダー気象学、医療画像、数値モデリングなど、画像やグリッド化されたデータセットを含む多くの科学分野の恩恵を受けることができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, deep Convolutional Neural Networks (CNNs) have revolutionized image
super-resolution (SR), dramatically outperforming past methods for enhancing
image resolution. They could be a boon for the many scientific fields that
involve image or gridded datasets: satellite remote sensing, radar meteorology,
medical imaging, numerical modeling etc. Unfortunately, while SR-CNNs produce
visually compelling outputs, they may break physical conservation laws when
applied to scientific datasets. Here, a method for ``Downsampling Enforcement"
in SR-CNNs is proposed. A differentiable operator is derived that, when applied
as the final transfer function of a CNN, ensures the high resolution outputs
exactly reproduce the low resolution inputs under 2D-average downsampling while
improving performance of the SR schemes. The method is demonstrated across
seven modern CNN-based SR schemes on several benchmark image datasets, and
applications to weather radar, satellite imager, and climate model data are
also shown. The approach improves training time and performance while ensuring
physical consistency between the super-resolved and low resolution data.
- Abstract(参考訳): 近年、深層畳み込みニューラルネットワーク(cnns)は、画像超解像(sr)に革命をもたらし、画像解像度向上のための過去の手法を劇的に上回っている。
衛星リモートセンシング、レーダー気象学、医療画像、数値モデリングなど、画像やグリッド化されたデータセットを含む多くの科学分野の恩恵を受けることができる。
残念なことに、SR-CNNは視覚的に魅力的な出力を生成するが、科学的データセットに適用すると物理的保存法を破る可能性がある。
本稿では,SR-CNN における "Downsampling Enforcement" の手法を提案する。
微分可能演算子は、cnnの最終転送関数として適用されると、2d平均ダウンサンプリング下での低分解能入力を正確に再現し、srスキームの性能を向上させるように導出される。
この方法は、いくつかのベンチマーク画像データセット上の7つの現代のcnnベースのsrスキームで実証され、気象レーダー、衛星撮影装置、気候モデルデータにも応用されている。
このアプローチは、超解像データと低解像度データの物理的一貫性を確保しながら、トレーニング時間とパフォーマンスを改善する。
関連論文リスト
- DiffusionSat: A Generative Foundation Model for Satellite Imagery [66.0062252900165]
現在、DiffusionSatは、現在利用可能な大規模な高解像度リモートセンシングデータセットのコレクションに基づいてトレーニングされている、最大の生成基盤モデルである。
提案手法は, リアルタイムなサンプルを作成し, 時間生成, マルチスペクトル入力の超解像, インペイントなどの複数の生成課題を解くのに利用できる。
論文 参考訳(メタデータ) (2023-12-06T16:53:17Z) - Efficient Test-Time Adaptation for Super-Resolution with Second-Order
Degradation and Reconstruction [62.955327005837475]
画像超解像(SR)は,低分解能(LR)から高分解能(HR)へのマッピングを,一対のHR-LRトレーニング画像を用いて学習することを目的としている。
SRTTAと呼ばれるSRの効率的なテスト時間適応フレームワークを提案し、SRモデルを異なる/未知の劣化型でテストドメインに迅速に適応させることができる。
論文 参考訳(メタデータ) (2023-10-29T13:58:57Z) - Leveraging Neural Radiance Fields for Uncertainty-Aware Visual
Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。
レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文 参考訳(メタデータ) (2023-10-10T20:11:13Z) - FFEINR: Flow Feature-Enhanced Implicit Neural Representation for
Spatio-temporal Super-Resolution [4.577685231084759]
本稿では,フローフィールドデータの超高分解能化のための特徴強調型ニューラルインシシット表現(FFEINR)を提案する。
モデル構造とサンプリング分解能の観点から、暗黙のニューラル表現を最大限に活用することができる。
FFEINRのトレーニングプロセスは、入力層に機能拡張を導入することで容易になる。
論文 参考訳(メタデータ) (2023-08-24T02:28:18Z) - Super-Resolution Radar Imaging with Sparse Arrays Using a Deep Neural
Network Trained with Enhanced Virtual Data [0.4640835690336652]
本稿では,極薄レーダー開口部からのレーダデータを完全に処理できるディープニューラルネットワーク(DNN)に基づく手法を提案する。
提案したDNN処理は、エイリアスフリーレーダイメージングと超解像の両方を提供することができる。
完全に占有された配列で達成されるのとほぼ同じ解像度と画質を同時に提供する。
論文 参考訳(メタデータ) (2023-06-16T13:37:47Z) - Image Super-resolution with An Enhanced Group Convolutional Neural
Network [102.2483249598621]
学習能力の強いCNNは、超解像問題を解くために広く選択されている。
浅層構造を持つ超解像群CNN(ESRGCNN)を提案する。
ESRGCNNは、SISRの性能、複雑さ、実行速度、画質評価およびSISRの視覚効果の観点から、最先端技術を上回っていると報告されている。
論文 参考訳(メタデータ) (2022-05-29T00:34:25Z) - Improving Super-Resolution Performance using Meta-Attention Layers [17.870338228921327]
畳み込みニューラルネットワーク(CNN)は多くの超解像(SR)と画像復元タスクで素晴らしい結果を得た。
SRのIll-posed性質は、複数の異なる劣化を経た画像を正確に超解き出すのを難しくする。
メタアテンション(メタアテンション)は、任意のSR CNNが関連する劣化パラメータで利用可能な情報を活用できるようにするメカニズムである。
論文 参考訳(メタデータ) (2021-10-27T09:20:21Z) - Super-Resolving Beyond Satellite Hardware Using Realistically Degraded
Images [0.23090185577016442]
現実のリモートセンシングペイロードにおける深部SRの利用可能性について,現実的に劣化した衛星画像の再構築におけるSR性能を評価することにより検証する。
本研究では, 強調深度超分解能ネットワーク(EDSR)と呼ばれる最先端のSR技術により, 地上サンプリング距離の低い画像の符号化画素データを復元できることを実証した。
論文 参考訳(メタデータ) (2021-03-10T00:20:33Z) - Frequency Consistent Adaptation for Real World Super Resolution [64.91914552787668]
実シーンにスーパーリゾリューション(SR)法を適用する際に周波数領域の整合性を保証する新しい周波数一貫性適応(FCA)を提案する。
監視されていない画像から劣化カーネルを推定し、対応するLow-Resolution (LR)画像を生成する。
ドメイン一貫性のあるLR-HRペアに基づいて、容易に実装可能な畳み込みニューラルネットワーク(CNN)SRモデルを訓練する。
論文 参考訳(メタデータ) (2020-12-18T08:25:39Z) - Physics-Informed Neural Network Super Resolution for Advection-Diffusion
Models [1.3754490646232045]
大気汚染プラムの対流拡散モデルにおいて,低分解能画像から高分解能画像を再構成するために超解像(SR)技術を検討した。
アドベクション拡散方程式が従来のピクセルベースの制約に加えてNNを制約すると、一般にSR性能が向上する。
11%$のS/Nの改善は、物理方程式が40%$ピクセル損失を持つSRに含まれるときに示される。
論文 参考訳(メタデータ) (2020-11-04T19:56:11Z) - Real Image Super Resolution Via Heterogeneous Model Ensemble using
GP-NAS [63.48801313087118]
本稿では,高密度スキップ接続を有するディープ残差ネットワークを用いた画像超解像法を提案する。
提案手法は、AIM 2020 Real Image Super-Resolution Challengeの3トラックで1位を獲得した。
論文 参考訳(メタデータ) (2020-09-02T22:33:23Z)
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。