論文の概要: Rank-One Network: An Effective Framework for Image Restoration

• arxiv url: http://arxiv.org/abs/2011.12610v1
• Date: Wed, 25 Nov 2020 09:39:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 03:31:28.901554
• Title: Rank-One Network: An Effective Framework for Image Restoration
• Title（参考訳）: Rank-One Network: 画像復元のための効果的なフレームワーク
• Authors: Shangqi Gao and Xiahai Zhuang
• Abstract要約: 本稿では,RO分解とRO再構成という2つのモジュールからなる新しいフレームワークを提案する。 RO分解は、劣化した画像をRO成分に分解して残留する。 RO再構成は、RO成分と残留成分からそれぞれ重要な情報を再構成し、この再構成情報からイメージを復元することを目的としている。
• 参考スコア（独自算出の注目度）: 18.55701190218365
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The principal rank-one (RO) components of an image represent the self-similarity of the image, which is an important property for image restoration. However, the RO components of a corrupted image could be decimated by the procedure of image denoising. We suggest that the RO property should be utilized and the decimation should be avoided in image restoration. To achieve this, we propose a new framework comprised of two modules, i.e., the RO decomposition and RO reconstruction. The RO decomposition is developed to decompose a corrupted image into the RO components and residual. This is achieved by successively applying RO projections to the image or its residuals to extract the RO components. The RO projections, based on neural networks, extract the closest RO component of an image. The RO reconstruction is aimed to reconstruct the important information, respectively from the RO components and residual, as well as to restore the image from this reconstructed information. Experimental results on four tasks, i.e., noise-free image super-resolution (SR), realistic image SR, gray-scale image denoising, and color image denoising, show that the method is effective and efficient for image restoration, and it delivers superior performance for realistic image SR and color image denoising.
• Abstract（参考訳）: 画像の主ランク1(RO)成分は、画像の自己相似性を表し、画像復元の重要な特性である。 しかしながら、腐敗した画像のro成分は、画像のデノイジングの手順によって減じることができる。 画像復元において,RO特性を活用すべきであり,デシメーションを回避すべきである。 そこで本研究では,RO分解とRO再構成という2つのモジュールからなる新しいフレームワークを提案する。 ro分解により、腐敗した画像をro成分と残留成分に分解する。 これにより、画像又は残像にRO投影を順次印加してRO成分を抽出する。 ro投影は、ニューラルネットワークに基づいて、画像の最も近いro成分を抽出する。 RO再構成は、RO成分と残留成分からそれぞれ重要な情報を再構成し、この再構成情報からイメージを復元することを目的としている。 ノイズフリー画像スーパーレゾリューション(sr)、リアル画像sr、グレースケール画像デノージング、カラー画像デノージングの4つのタスクにおける実験結果から、この手法は画像復元に効果的で効率的なことを示し、リアル画像srおよびカラー画像デノージングに優れた性能を提供する。

関連論文リスト

• Reconstructive Visual Instruction Tuning [64.91373889600136]
  リコンストラクティブ・ビジュアル・インストラクション・チューニング(ROSS)は、視覚中心の監視信号を利用する大型マルチモーダル・モデル(LMM)のファミリーである。 入力画像の潜在表現を再構成し、正確なRGB値を直接回帰するのを避ける。 経験的に、ROSSは、異なるビジュアルエンコーダと言語モデルに対して、一貫して大幅に改善されている。
  論文  参考訳（メタデータ） (2024-10-12T15:54:29Z)
• Image Reconstruction using Enhanced Vision Transformer [0.08594140167290097]
  画像のデノイング,デブロアリング,インペイントといったタスクに使用できる新しい画像再構成フレームワークを提案する。 このプロジェクトで提案されるモデルは、2次元画像を入力として取り込んで埋め込みを出力するビジョントランスフォーマー(ViT)に基づいている。 モデル再構築機能を改善するために,フレームワークに4つの最適化手法を組み込んだ。
  論文  参考訳（メタデータ） (2023-07-11T02:14:18Z)
• A Feature Reuse Framework with Texture-adaptive Aggregation for Reference-based Super-Resolution [29.57364804554312]
  参照ベース超解像(RefSR)は超解像の分野で大きな成功を収めている。 本稿では,ステップバイステップのテクスチャ再構築プロセスをガイドする機能再利用フレームワークを提案する。 単一画像特徴埋め込みモジュールとテクスチャ適応アグリゲーションモジュールを導入する。
  論文  参考訳（メタデータ） (2023-06-02T12:49:22Z)
• 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)
• Reference-based Image Super-Resolution with Deformable Attention Transformer [62.71769634254654]
  RefSRは、補助参照(Ref)画像を超解像低解像度(LR)画像に活用することを目的としている。 本稿では,複数のスケールを持つ変形可能なアテンション変換器,すなわちDATSRを提案する。 DATSRがベンチマークデータセット上で最先端のパフォーマンスを達成することを示す実験を行った。
  論文  参考訳（メタデータ） (2022-07-25T07:07:00Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• Dual Perceptual Loss for Single Image Super-Resolution Using ESRGAN [13.335546116599494]
  本稿では,従来の知覚損失を置き換えるためにDP損失(Dual Perceptual Loss)と呼ばれる手法を提案する。 VGG特徴とResNet特徴の相補的な性質のため、提案されたDPロスは2つの特徴を同時に学習する利点を考察する。 ベンチマークデータセットの定性的および定量的解析により,提案手法が最先端の超解像法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-17T12:42:56Z)
• Hierarchical Conditional Flow: A Unified Framework for Image Super-Resolution and Image Rescaling [139.25215100378284]
  画像SRと画像再スケーリングのための統合フレームワークとして階層的条件フロー(HCFlow)を提案する。 HCFlowは、LR画像と残りの高周波成分の分布を同時にモデル化することにより、HRとLR画像ペア間のマッピングを学習する。 さらに性能を高めるために、知覚的損失やGAN損失などの他の損失と、トレーニングで一般的に使用される負の対数類似損失とを組み合わせる。
  論文  参考訳（メタデータ） (2021-08-11T16:11:01Z)
• 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。