論文の概要: Searching for Controllable Image Restoration Networks
- arxiv url: http://arxiv.org/abs/2012.11225v1
- Date: Mon, 21 Dec 2020 10:08:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-27 06:33:33.534402
- Title: Searching for Controllable Image Restoration Networks
- Title(参考訳): 制御可能な画像復元ネットワークの探索
- Authors: Heewon Kim, Sungyong Baik, Myungsub Choi, Janghoon Choi, Kyoung Mu Lee
- Abstract要約: 既存の方法は各出力毎にネットワーク全体を通して別々の推論を必要とする。
本稿では,複数の画像効果を効率的に生成できるニューラルアーキテクチャ探索手法に基づく新しい枠組みを提案する。
- 参考スコア(独自算出の注目度): 57.23583915884236
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diverse user preferences over images have recently led to a great amount of
interest in controlling the imagery effects for image restoration tasks.
However, existing methods require separate inference through the entire network
per each output, which hinders users from readily comparing multiple imagery
effects due to long latency. To this end, we propose a novel framework based on
a neural architecture search technique that enables efficient generation of
multiple imagery effects via two stages of pruning: task-agnostic and
task-specific pruning. Specifically, task-specific pruning learns to adaptively
remove the irrelevant network parameters for each task, while task-agnostic
pruning learns to find an efficient architecture by sharing the early layers of
the network across different tasks. Since the shared layers allow for feature
reuse, only a single inference of the task-agnostic layers is needed to
generate multiple imagery effects from the input image. Using the proposed
task-agnostic and task-specific pruning schemes together significantly reduces
the FLOPs and the actual latency of inference compared to the baseline. We
reduce 95.7% of the FLOPs when generating 27 imagery effects, and make the GPU
latency 73.0% faster on 4K-resolution images.
- Abstract(参考訳): 画像に対する多様なユーザの好みは、画像復元タスクにおける画像効果の制御に多大な関心を寄せている。
しかし、既存の手法では、各出力毎にネットワーク全体の推論を分離する必要があるため、長いレイテンシによる複数の画像効果の比較が困難になる。
そこで本研究では,タスク非依存とタスク固有プルーニングという2段階のプルーニングにより,複数の画像効果を効率的に生成できるニューラルアーキテクチャ探索手法に基づく新しい枠組みを提案する。
具体的には、タスク固有のプルーニングは、各タスクの無関係なネットワークパラメータを適応的に除去することを学び、タスクに依存しないプルーニングは、異なるタスク間でネットワークの初期レイヤを共有することによって、効率的なアーキテクチャを見つけることを学ぶ。
共有層は機能再利用を可能にするため、入力画像から複数の画像効果を生成するためにタスク非依存層の1つの推論しか必要としない。
提案したタスク依存型およびタスク固有型プルーニングスキームを併用することにより、FLOPと実際の推論遅延をベースラインと比較して大幅に低減する。
27のイメージエフェクトを生成する場合、フラップの95.7%を削減し、4k解像度画像のgpuレイテンシを73.0%高速化した。
関連論文リスト
- Unified-Width Adaptive Dynamic Network for All-In-One Image Restoration [50.81374327480445]
本稿では, 複雑な画像劣化を基本劣化の観点で表現できる, という新しい概念を提案する。
We propose the Unified-Width Adaptive Dynamic Network (U-WADN) which consist of two pivotal components: a Width Adaptive Backbone (WAB) and a Width Selector (WS)。
提案したU-WADNは、最大32.3%のFLOPを同時に削減し、約15.7%のリアルタイム加速を実現している。
論文 参考訳(メタデータ) (2024-01-24T04:25:12Z) - Pruning-as-Search: Efficient Neural Architecture Search via Channel
Pruning and Structural Reparameterization [50.50023451369742]
プルーニング・アズ・サーチ(Pruning-as-Search、PaS)は、必要なサブネットワークを自動的に効率的に検索するエンドツーエンドのプルーニング手法である。
提案したアーキテクチャは,ImageNet-1000分類タスクにおいて,1.0%$ Top-1精度で先行技術より優れていた。
論文 参考訳(メタデータ) (2022-06-02T17:58:54Z) - Towards Efficient Single Image Dehazing and Desnowing [6.052434200703146]
そこで本研究では,DAN-Netという画像復元ネットワークを提案する。
1つの専門家ネットワークは、コンパクトなアーキテクチャと3つの新しいコンポーネントに依存して、悪質な冬のシーンの特定の劣化に効果的に対処する。
我々は,冬期画像復元手法を評価するために,最初の実世界の冬期シーンデータセットを収集した。
論文 参考訳(メタデータ) (2022-04-19T13:51:02Z) - Correlation-Aware Deep Tracking [83.51092789908677]
本稿では,自己/横断的意図に着想を得た,新たなターゲット依存型特徴ネットワークを提案する。
我々のネットワークは機能ネットワークの複数の層にクロスイメージの特徴相関を深く埋め込んでいる。
我々のモデルは、豊富な未ペア画像に対して柔軟に事前訓練が可能であり、既存の手法よりも顕著に高速な収束をもたらす。
論文 参考訳(メタデータ) (2022-03-03T11:53:54Z) - Leveraging Image Complexity in Macro-Level Neural Network Design for
Medical Image Segmentation [3.974175960216864]
画像の複雑さは、与えられたデータセットに最適なものを選択するためのガイドラインとして利用できることを示す。
高複雑性データセットの場合、元のイメージ上で実行される浅いネットワークは、ダウンサンプリングされたイメージ上で実行されるディープネットワークよりもセグメンテーション結果が優れている可能性がある。
論文 参考訳(メタデータ) (2021-12-21T09:49:47Z) - Hierarchical Image Peeling: A Flexible Scale-space Filtering Framework [0.0]
階層的なイメージ組織は、コンピュータビジョンとグラフィックスの幅広いアプリケーションで目撃されています。
この研究は、画像をスケール空間の観点から導出した信号の族に分解する近代的な枠組みを設計する。
コンパクトなリカレントネットワーク、すなわち階層的画像剥離網をカスタマイズして効率良く効果的にタスクを遂行する。
論文 参考訳(メタデータ) (2021-04-04T04:08:14Z) - Powers of layers for image-to-image translation [60.5529622990682]
本稿では,未ペア画像から画像への変換タスクに対処するシンプルなアーキテクチャを提案する。
固定重み付きイメージオートエンコーダアーキテクチャから始める。
各タスクに対して、潜在空間で動作している残留ブロックを学習し、ターゲット領域に到達するまで繰り返し呼び出される。
論文 参考訳(メタデータ) (2020-08-13T09:02:17Z) - Deeply Cascaded U-Net for Multi-Task Image Processing [1.3815111881580258]
逐次画像処理タスクを組み合わせるために設計された,新しいマルチタスクニューラルネットワークアーキテクチャを提案する。
U-Netを各タスクごとに追加の復号経路で拡張し、出力の深いカスケードと、ある経路から別の経路への接続性を探る。
論文 参考訳(メタデータ) (2020-05-01T05:06:35Z) - CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。
相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。
PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
論文 参考訳(メタデータ) (2020-03-24T04:55:43Z)
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。