論文の概要: Deep learning architectural designs for super-resolution of noisy images
- arxiv url: http://arxiv.org/abs/2102.05105v1
- Date: Tue, 9 Feb 2021 20:09:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-12 01:57:52.363199
- Title: Deep learning architectural designs for super-resolution of noisy images
- Title（参考訳）: 雑音画像の超解像のためのディープラーニングアーキテクチャ設計
- Authors: Angel Villar-Corrales, Franziska Schirrmacher and Christian Riess
- Abstract要約: 本研究では,デノジングと超解像を共同で行うことを提案する。
In-network"は両方のタスクを機能レベルで組み合わせ、"pre-network"はまずデノベーションを行い、次に超解像を行う。
ネットワーク前設計は、既存の超解像モデルにおける病理的故障である、目に見えないタイプの画像劣化に対して優れた性能を示す。
- 参考スコア（独自算出の注目度）: 7.657378889055478
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in deep learning have led to significant improvements in
single image super-resolution (SR) research. However, due to the amplification
of noise during the upsampling steps, state-of-the-art methods often fail at
reconstructing high-resolution images from noisy versions of their
low-resolution counterparts. However, this is especially important for images
from unknown cameras with unseen types of image degradation. In this work, we
propose to jointly perform denoising and super-resolution. To this end, we
investigate two architectural designs: "in-network" combines both tasks at
feature level, while "pre-network" first performs denoising and then
super-resolution. Our experiments show that both variants have specific
advantages: The in-network design obtains the strongest results when the type
of image corruption is aligned in the training and testing dataset, for any
choice of denoiser. The pre-network design exhibits superior performance on
unseen types of image corruption, which is a pathological failure case of
existing super-resolution models. We hope that these findings help to enable
super-resolution also in less constrained scenarios where source camera or
imaging conditions are not well controlled. Source code and pretrained models
are available at https://github.com/
angelvillar96/super-resolution-noisy-images.
- Abstract（参考訳）: ディープラーニングの最近の進歩は、シングルイメージスーパーレゾリューション(sr)研究に大きな改善をもたらした。
しかし、アップサンプリング工程におけるノイズの増幅により、最新の手法では、低解像度のノイズバージョンからの高解像度画像の再構成に失敗することが多い。
しかし、これは見えないタイプの画像劣化を持つ未知のカメラの画像にとって特に重要である。
本研究では,デノジングと超解像を共同で行うことを提案する。
この目的のために,2つのアーキテクチャ設計について検討する。"in-network"は2つのタスクを特徴レベルで組み合わせ,"pre-network"はまずデノゲーションを行い,次に超解像を行う。
ネットワーク内設計は、denoiserの任意の選択に対して、トレーニングおよびテストデータセットに画像破損の種類が一致した場合、最も強力な結果を得る。
ネットワーク前設計は、既存の超解像モデルの病理的失敗事例である、目に見えないタイプの画像破損に対して優れた性能を示す。
これらの発見が、ソースカメラや撮像条件が十分に制御されていない制約の少ないシナリオでも、超分解能を実現するのに役立つことを願っている。
ソースコードと事前訓練されたモデルはhttps://github.com/ angelvillar96/super- resolution-noisy-imagesで入手できる。
関連論文リスト
- ScaleCrafter: Tuning-free Higher-Resolution Visual Generation with
Diffusion Models [126.35334860896373]
本研究では,事前学習した拡散モデルから,トレーニング画像サイズよりもはるかに高解像度で画像を生成する能力について検討する。
注意ベースや共同拡散アプローチのような、高分解能な生成のための既存の研究は、これらの問題にうまく対処できない。
本稿では,推論中の畳み込み知覚場を動的に調整できる簡易かつ効果的な再拡張法を提案する。
論文 参考訳（メタデータ） (2023-10-11T17:52:39Z) - The Devil is in the Upsampling: Architectural Decisions Made Simpler for
Denoising with Deep Image Prior [20.1435183909115]
Deep Image Prior (DIP)は、いくつかのネットワークアーキテクチャが自然に滑らかな画像に偏り、ノイズに抵抗することを示している。
DIPは大規模なトレーニングセットの要件を取り除いているが、アーキテクチャ設計とノイズ適合という2つの現実的な課題を提示している。
本研究では,DIPにおけるデノナイジング現象の主要因はアンリートアップサンプリングであることを示すため,周波数観点から解析を行った。
論文 参考訳（メタデータ） (2023-04-22T13:50:27Z) - Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。
提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。
提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
論文 参考訳（メタデータ） (2023-03-23T09:33:44Z) - Exploring Resolution and Degradation Clues as Self-supervised Signal for
Low Quality Object Detection [77.3530907443279]
劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。
本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
論文 参考訳（メタデータ） (2022-08-05T09:36:13Z) - Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。
トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。
AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
論文 参考訳（メタデータ） (2022-03-24T18:11:31Z) - Exploiting Raw Images for Real-Scene Super-Resolution [105.18021110372133]
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。
論文 参考訳（メタデータ） (2021-02-02T16:10:15Z) - Blind Image Super-Resolution with Spatial Context Hallucination [5.849485167287474]
本稿では, 劣化カーネルを知らずに, 視覚的超解像のための空間文脈幻覚ネットワーク(SCHN)を提案する。
DIV2KとFlickr2Kという2つの高品質データセットでモデルをトレーニングします。
入力画像がランダムなぼかしとノイズで劣化した場合, 最先端の手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2020-09-25T22:36:07Z) - 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) - Stochastic Frequency Masking to Improve Super-Resolution and Denoising
Networks [20.23203428843382]
超解像におけるカーネルオーバーフィッティングの周波数領域における解析について述べる。
本稿では,トレーニングに使用される画像の周波数マスキングを提案し,ネットワークを正規化し,過度に適合する問題に対処する。
本手法は, 異なる合成カーネル, 実超解像, ブラインド・ガウス・デノナイジング, 実像デノナイジングによるブラインド・スーパーレゾリューションの最先端手法を改善する。
論文 参考訳（メタデータ） (2020-03-16T11:21:20Z) - 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)
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。