論文の概要: Exploiting Raw Images for Real-Scene Super-Resolution

• arxiv url: http://arxiv.org/abs/2102.01579v1
• Date: Tue, 2 Feb 2021 16:10:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-04 07:14:02.424024
• Title: Exploiting Raw Images for Real-Scene Super-Resolution
• Title（参考訳）: リアルタイム超解像におけるraw画像の活用
• Authors: Xiangyu Xu, Yongrui Ma, Wenxiu Sun, Ming-Hsuan Yang
• Abstract要約: 本稿では,合成データと実撮影画像とのギャップを埋めるために,実シーンにおける単一画像の超解像化の問題について検討する。 本稿では,デジタルカメラの撮像過程を模倣して,よりリアルなトレーニングデータを生成する手法を提案する。 また、原画像に記録された放射情報を活用するために、2分岐畳み込みニューラルネットワークを開発した。
• 参考スコア（独自算出の注目度）: 105.18021110372133
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Super-resolution is a fundamental problem in computer vision which aims to overcome the spatial limitation of camera sensors. While significant progress has been made in single image super-resolution, most algorithms only perform well on synthetic data, which limits their applications in real scenarios. In this paper, we study the problem of real-scene single image super-resolution to bridge the gap between synthetic data and real captured images. We focus on two issues of existing super-resolution algorithms: lack of realistic training data and insufficient utilization of visual information obtained from cameras. To address the first issue, we propose a method to generate more realistic training data by mimicking the imaging process of digital cameras. For the second issue, we develop a two-branch convolutional neural network to exploit the radiance information originally-recorded in raw images. In addition, we propose a dense channel-attention block for better image restoration as well as a learning-based guided filter network for effective color correction. Our model is able to generalize to different cameras without deliberately training on images from specific camera types. Extensive experiments demonstrate that the proposed algorithm can recover fine details and clear structures, and achieve high-quality results for single image super-resolution in real scenes.
• Abstract（参考訳）: 超解像度は、カメラセンサーの空間的制約を克服することを目的としたコンピュータビジョンの基本的な問題です。 単一画像のスーパーレゾリューションでは大きな進歩が見られたが、ほとんどのアルゴリズムは合成データでのみうまく動作し、実際のシナリオでの応用を制限する。 本稿では,合成データと実写画像のギャップを埋めるために,実写単像超解像の問題について検討する。 我々は既存の超解像アルゴリズムの2つの問題に焦点を当てている: 実写訓練データの欠如とカメラから得られる視覚情報の活用不足。 そこで本研究では,デジタルカメラの撮像過程をシミュレートし,よりリアルなトレーニングデータを生成する手法を提案する。 第2の課題は、原画像に記録された放射情報を利用する2分岐畳み込みニューラルネットワークを開発することである。 さらに,画像復元のための高密度チャネルアテンションブロックと,有効色補正のための学習型ガイド付きフィルタネットワークを提案する。 我々のモデルは、特定のカメラタイプからの画像を意図的に訓練することなく、異なるカメラに一般化することができる。 広汎な実験により,提案アルゴリズムは細部やクリアな構造を復元し,実際のシーンにおける単一画像超解像の高品質な結果が得られることを示した。

関連論文リスト

• Iris super-resolution using CNNs: is photo-realism important to iris recognition? [67.42500312968455]
  特に畳み込みニューラルネットワーク(CNN)を用いた単一画像超解像技術が出現している 本研究では, 虹彩認識のためのCNNを用いて, 単一画像の超解像を探索する。 彼らは、近赤外線虹彩画像の1.872のデータベースと携帯電話画像データベースのアプローチを検証する。
  論文  参考訳（メタデータ） (2022-10-24T11:19:18Z)
• High Dynamic Range and Super-Resolution from Raw Image Bursts [52.341483902624006]
  本稿では,露光ブラケット付きハンドヘルドカメラで撮影した原写真からの高解像度・高ダイナミックレンジカラー画像の再構成について紹介する。 提案アルゴリズムは,画像復元における最先端の学習手法と比較して,メモリ要求の少ない高速なアルゴリズムである。 実験では、ハンドヘルドカメラで野生で撮影された実際の写真に最大4ドル(約4,800円)の超高解像度な要素で優れた性能を示す。
  論文  参考訳（メタデータ） (2022-07-29T13:31:28Z)
• RBSRICNN: Raw Burst Super-Resolution through Iterative Convolutional Neural Network [23.451063587138393]
  RBSRICNN(Row Burst Super-Resolution Iterative Convolutional Neural Network)を提案する。 提案したネットワークは、中間SR推定を反復的に洗練することにより最終的な出力を生成する。 定量的および定性的な実験において提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2021-10-25T19:01:28Z)
• Dual-reference Training Data Acquisition and CNN Construction for Image Super-Resolution [33.388234549922025]
  そこで本研究では,実写カメラを用いたLR$sim$HR画像ペアを多数取得する新しい手法を提案する。 私たちのイノベーションは、解像度の異なる超高品質のスクリーンに表示される画像を撮影することです。 実験の結果,LR$sim$HRデータセットによる超解像CNNのトレーニングは,実画像上の既存のデータセットによるトレーニングよりも,復元性能が優れていることがわかった。
  論文  参考訳（メタデータ） (2021-08-05T03:31:50Z)
• Unsupervised Real Image Super-Resolution via Generative Variational AutoEncoder [47.53609520395504]
  古典的な例に基づく画像超解法を再考し、知覚的画像超解法のための新しい生成モデルを考案する。 本稿では,変分オートエンコーダを用いた共同画像デノベーションと超解像モデルを提案する。 判別器の助けを借りて、超分解能サブネットワークのオーバーヘッドを加味して、分解された画像をフォトリアリスティックな視覚的品質で超解凍する。
  論文  参考訳（メタデータ） (2020-04-27T13:49:36Z)
• ImagePairs: Realistic Super Resolution Dataset via Beam Splitter Camera Rig [13.925480922578869]
  実画像データセットを収集するための新しいデータ取得手法を提案する。 我々はビームスプリッターを用いて、低解像度カメラと高解像度カメラで同じシーンを撮影する。 これらのタスクに使用される現在の小規模データセットとは異なり、提案データセットは11,421対の低解像度高解像度画像を含んでいる。
  論文  参考訳（メタデータ） (2020-04-18T03:06:41Z)
• PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models [77.32079593577821]
  PULSE (Photo Upsampling via Latent Space Exploration) は、それまで文献になかった解像度で高解像度でリアルな画像を生成する。 本手法は, 従来よりも高分解能, スケールファクターの知覚品質において, 最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-08T16:44:31Z)
• Gated Fusion Network for Degraded Image Super Resolution [78.67168802945069]
  本稿では,基本特徴と回復特徴を別々に抽出する二分岐畳み込みニューラルネットワークを提案する。 特徴抽出ステップを2つのタスク非依存ストリームに分解することで、デュアルブランチモデルがトレーニングプロセスを容易にすることができる。
  論文  参考訳（メタデータ） (2020-03-02T13:28:32Z)
• Self-Supervised Linear Motion Deblurring [112.75317069916579]
  深層畳み込みニューラルネットワークは、画像の劣化の最先端技術である。 本稿では,自己監督型動作遅延に対する識別可能なreblurモデルを提案する。 我々の実験は、自己監督された単一画像の劣化が本当に実現可能であることを実証した。
  論文  参考訳（メタデータ） (2020-02-10T20:15:21Z)

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。