Fugu-MT 論文翻訳(概要): Strict Enforcement of Conservation Laws and Invertibility in CNN-Based Super Resolution for Scientific Datasets

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

Rethinking Image Super-Resolution from Training Data Perspectives [54.28824316574355]
画像超解像(SR)におけるトレーニングデータの効果について検討する。そこで我々は,自動画像評価パイプラインを提案する。その結果, (i) 圧縮アーチファクトの少ないデータセット, (ii) 被写体数によって判断される画像内多様性の高いデータセット, (iii) ImageNet や PASS からの大量の画像がSR性能に肯定的な影響を与えることがわかった。
論文参考訳（メタデータ） (2024-09-01T16:25:04Z)
SatDiffMoE: A Mixture of Estimation Method for Satellite Image Super-resolution with Latent Diffusion Models [3.839322642354617]
我々はtextbfSatDiffMoE と呼ばれる新しい拡散型融合アルゴリズムを提案する。アルゴリズムは非常に柔軟で、任意の数の低解像度画像のトレーニングと推測が可能である。実験の結果,SatDiffMoE法は衛星画像の超解像処理に優れていた。
論文参考訳（メタデータ） (2024-06-14T17:58:28Z)
Efficient Visual State Space Model for Image Deblurring [83.57239834238035]
畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)は、画像復元において優れた性能を発揮している。本稿では,画像のデブロアに対する簡易かつ効果的な視覚状態空間モデル(EVSSM)を提案する。
論文参考訳（メタデータ） (2024-05-23T09:13:36Z)
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)
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)

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。