論文の概要: Interpreting Super-Resolution Networks with Local Attribution Maps
- arxiv url: http://arxiv.org/abs/2011.11036v2
- Date: Sun, 22 Aug 2021 14:52:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 12:11:22.197744
- Title: Interpreting Super-Resolution Networks with Local Attribution Maps
- Title(参考訳): 局所帰属マップを用いた超解法ネットワークの解釈
- Authors: Jinjin Gu, Chao Dong
- Abstract要約: 画像超解像(SR)技術は、ディープネットワークの発明とそれに続くブレークスルーの恩恵を受け、急速に発展してきた。
ディープラーニングとディープニューラルネットワークは解釈が難しいことが認識されている。
本稿では,SR結果に強く影響する入力画素の探索を目的とした,SRネットワークの属性解析を行う。
- 参考スコア(独自算出の注目度): 24.221989130005085
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image super-resolution (SR) techniques have been developing rapidly,
benefiting from the invention of deep networks and its successive
breakthroughs. However, it is acknowledged that deep learning and deep neural
networks are difficult to interpret. SR networks inherit this mysterious nature
and little works make attempt to understand them. In this paper, we perform
attribution analysis of SR networks, which aims at finding the input pixels
that strongly influence the SR results. We propose a novel attribution approach
called local attribution map (LAM), which inherits the integral gradient method
yet with two unique features. One is to use the blurred image as the baseline
input, and the other is to adopt the progressive blurring function as the path
function. Based on LAM, we show that: (1) SR networks with a wider range of
involved input pixels could achieve better performance. (2) Attention networks
and non-local networks extract features from a wider range of input pixels. (3)
Comparing with the range that actually contributes, the receptive field is
large enough for most deep networks. (4) For SR networks, textures with regular
stripes or grids are more likely to be noticed, while complex semantics are
difficult to utilize. Our work opens new directions for designing SR networks
and interpreting low-level vision deep models.
- Abstract(参考訳): 画像超解像(SR)技術は、ディープネットワークの発明とそれに続くブレークスルーの恩恵を受け、急速に発展してきた。
しかし、深層学習と深層ニューラルネットワークは解釈が難しいことが認識されている。
SRネットワークはこの神秘的な性質を継承し、それを理解しようとする研究はほとんどない。
本稿では,SR結果に強く影響を与える入力画素の探索を目的とした,SRネットワークの属性解析を行う。
本稿では,2つの特徴を持つ積分勾配法を継承した局所帰属写像 (LAM) を提案する。
1つはぼやけた画像をベースライン入力として使い、もう1つはプログレッシブなぼやけ関数をパス関数として採用することである。
LAMに基づいて,(1)より広い範囲の入力画素を持つSRネットワークにより,より優れた性能が得られることを示す。
2)注目ネットワークと非ローカルネットワークは,より広い範囲の入力画素から特徴を抽出する。
3)実際の寄与範囲と比較すると,受容場は,ほとんどの深層ネットワークにおいて十分大きい。
(4)srネットワークでは,規則的なストライプやグリッドを持つテクスチャが注目される傾向が強く,複雑なセマンティクスの利用は困難である。
我々の研究は、SRネットワークの設計と低レベルの視覚深度モデル解釈のための新しい方向性を開く。
関連論文リスト
- RDRN: Recursively Defined Residual Network for Image Super-Resolution [58.64907136562178]
深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像において顕著な性能を得た。
本稿では,注目ブロックを効率的に活用する新しいネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-11-17T11:06:29Z) - SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。
近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。
本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。
本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
論文 参考訳(メタデータ) (2022-05-31T15:55:37Z) - Discovering "Semantics" in Super-Resolution Networks [54.45509260681529]
超解像(SR)は低レベルの視覚領域の基本的で代表的な課題である。
一般に、SRネットワークから抽出された特徴は特定の意味情報を持たないと考えられている。
SRネットワークで「セマンティック」を見つけることはできますか?
論文 参考訳(メタデータ) (2021-08-01T09:12:44Z) - 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) - A Two-Stage Attentive Network for Single Image Super-Resolution [34.450320969785935]
本稿では,高精度なSISRのための2段階減衰ネットワーク(TSAN)を提案する。
具体的には,ネットワークがより情報的な文脈的特徴に集中できるように,MCAB(Multi-context Attentive Block)を設計する。
本稿では,詳細なHR画像の再構成のために,HR空間で有用な手がかりを探索できる重要な改良されたアテンションブロック(RAB)を提案する。
論文 参考訳(メタデータ) (2021-04-21T12:20:24Z) - AdaptiveWeighted Attention Network with Camera Spectral Sensitivity
Prior for Spectral Reconstruction from RGB Images [22.26917280683572]
スペクトル再構成のための適応重み付き注意ネットワーク(AWAN)を提案する。
AWCAおよびPSNLモジュールは、チャネルワイドな特徴応答を再配置するために開発された。
NTIRE 2020 Spectral Reconstruction Challengeでは、クリーントラックで1位、リアルワールドで3位を獲得しました。
論文 参考訳(メタデータ) (2020-05-19T09:21:01Z) - Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。
本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。
我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
論文 参考訳(メタデータ) (2020-04-08T10:08:20Z) - Resolution Adaptive Networks for Efficient Inference [53.04907454606711]
本稿では,低分解能表現が「容易」な入力を分類するのに十分である,という直感に触発された新しいレゾリューション適応ネットワーク(RANet)を提案する。
RANetでは、入力画像はまず、低解像度表現を効率的に抽出する軽量サブネットワークにルーティングされる。
ネットワーク内の高解像度パスは、"ハード"サンプルを認識する能力を維持している。
論文 参考訳(メタデータ) (2020-03-16T16:54:36Z)
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。