論文の概要: Learning Structral coherence Via Generative Adversarial Network for Single Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2101.10165v1
• Date: Mon, 25 Jan 2021 15:26:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-15 04:54:31.474416
• Title: Learning Structral coherence Via Generative Adversarial Network for Single Image Super-Resolution
• Title（参考訳）: 単一画像超解法のための構造的コヒーレンスを学習する
• Authors: Yuanzhuo Li, Yunan Zheng, Jie Chen, Zhenyu Xu, Yiguang Liu
• Abstract要約: 近年,GAN(Generative Adversarial Network)に基づくSISR法により,全体の現実的SR画像が得られた。 SRプロセスにおける高分解能勾配図の復元により構造情報を保存するため, 発電機に勾配分岐を導入する。 さらに、U-netベースの判別器を用いて、画像全体と画素ごとの詳細な認証の両方について検討する。
• 参考スコア（独自算出の注目度）: 13.803141755183827
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Among the major remaining challenges for single image super resolution (SISR) is the capacity to recover coherent images with global shapes and local details conforming to human vision system. Recent generative adversarial network (GAN) based SISR methods have yielded overall realistic SR images, however, there are always unpleasant textures accompanied with structural distortions in local regions. To target these issues, we introduce the gradient branch into the generator to preserve structural information by restoring high-resolution gradient maps in SR process. In addition, we utilize a U-net based discriminator to consider both the whole image and the detailed per-pixel authenticity, which could encourage the generator to maintain overall coherence of the reconstructed images. Moreover, we have studied objective functions and LPIPS perceptual loss is added to generate more realistic and natural details. Experimental results show that our proposed method outperforms state-of-the-art perceptual-driven SR methods in perception index (PI), and obtains more geometrically consistent and visually pleasing textures in natural image restoration.
• Abstract（参考訳）: 単一画像スーパーリゾリューション(SISR)の大きな課題の1つは、人間の視覚システムに準拠したグローバルな形状と局所的な詳細で一貫性のある画像を回復する能力です。 最近のGAN(Genation Adversarial Network)ベースのSISR法は、全体的な現実的なSR画像を生成していますが、ローカル領域で構造的な歪みを伴う不快なテクスチャは常にあります。 これらの問題に対処するため,SRプロセスで高分解能勾配マップを復元することにより,構造情報を保存するための勾配分岐をジェネレータに導入する。 さらに,u-netに基づく判別器を用いて,画像全体と画素単位の詳細な信頼性を考慮し,再構成画像の全体的な一貫性を維持することができる。 さらに,目的関数について検討し,より現実的で自然な情報を生成するためにLPIPS知覚損失を付加した。 実験結果から,提案手法は知覚指標(PI)における最先端の知覚駆動SR法を上回り,自然画像復元における幾何学的一貫性と視覚的快感を得ることができた。

関連論文リスト

• Rethinking Super-Resolution as Text-Guided Details Generation [21.695227836312835]
  テキストと画像のモダリティからの情報を有効に活用できるテキストガイド型超解法(TGSR)フレームワークを提案する。 提案したTGSRは、粗い処理によってテキスト記述と一致するHR画像の詳細を生成することができる。
  論文  参考訳（メタデータ） (2022-07-14T01:46:38Z)
• 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)
• Memory-augmented Deep Unfolding Network for Guided Image Super-resolution [67.83489239124557]
  誘導画像超解像(GISR)は、HR画像の誘導の下で低解像度(LR)目標画像の空間分解能を高めて高解像度(HR)目標画像を得る。 従来のモデルベース手法は主に画像全体を取り、HR目標画像とHRガイダンス画像との事前分布を仮定する。 HR目標画像上で2種類の事前性を持つGISRの最大後部(MAP)推定モデルを提案する。
  論文  参考訳（メタデータ） (2022-02-12T15:37:13Z)
• A-ESRGAN: Training Real-World Blind Super-Resolution with Attention U-Net Discriminators [0.0]
  ブラインド画像超解像(SR)は、未知の複雑な歪みに苦しむ低解像度画像の復元を目的とした、CVにおける長年の課題である。 本稿では,A-ESRGANについて述べる。A-ESRGAN,A-ESRGAN,A-ESRGAN,A-ESRGAN,A-ESRGAN,A-ESRGAN,A-ESRGAN。
  論文  参考訳（メタデータ） (2021-12-19T02:50:23Z)
• Structure-Preserving Image Super-Resolution [94.16949589128296]
  単一画像超解像(SISR)の構造 近年の研究では、フォトリアリスティック画像の復元によるSISRの開発が進められている。 しかし、回収された画像にはいまだ望ましくない構造歪みがある。
  論文  参考訳（メタデータ） (2021-09-26T08:48:27Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• 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)
• Deep Cyclic Generative Adversarial Residual Convolutional Networks for Real Image Super-Resolution [20.537597542144916]
  我々は、LRとHRデータ分布間の領域整合性を維持するために、深い循環ネットワーク構造を考える。 本稿では,LRからHRドメインへの変換のためのGAN(Generative Adversarial Network)フレームワークを用いた学習により,超解像残留周期生成逆ネットワーク(SRResCycGAN)を提案する。
  論文  参考訳（メタデータ） (2020-09-07T11:11:18Z)
• Component Divide-and-Conquer for Real-World Image Super-Resolution [143.24770911629807]
  本稿では,DRealSR,DRealSR,および分割コンカレント・コンカレント・スーパー・リゾリューション・ネットワークの大規模画像スーパー・リゾリューション・データセットを提案する。 DRealSRは、さまざまな現実世界の劣化プロセスを備えた新しいSRベンチマークを確立する。 SR に対して Component Divide-and-Conquer (CDC) モデルと Gradient-Weighted (GW) 損失を提案する。
  論文  参考訳（メタデータ） (2020-08-05T04:26:26Z)

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。