論文の概要: Super-resolving Compressed Images via Parallel and Series Integration of
Artifact Reduction and Resolution Enhancement
- arxiv url: http://arxiv.org/abs/2103.01698v1
- Date: Tue, 2 Mar 2021 13:04:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-03 16:02:56.288710
- Title: Super-resolving Compressed Images via Parallel and Series Integration of
Artifact Reduction and Resolution Enhancement
- Title（参考訳）: 超解像圧縮画像の並列化とアーティファクト低減と分解能向上のシリーズ統合
- Authors: Hongming Luo, Fei Zhou, Guangsen Liao, and Guoping Qiu
- Abstract要約: 現実世界のアプリケーションでは、画像はサブサンプリングされるが、圧縮も激しい。
このような画像の解像度を高める簡単な方法は、アーティファクトを悪化させ、視覚的に不快にさせる。
本稿では, アーティファクト除去と分解能向上の並列およびシリーズ統合に基づく, 圧縮画像超解像フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 24.45801094210365
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In real-world applications, images may be not only sub-sampled but also
heavily compressed thus often containing various artifacts. Simple methods for
enhancing the resolution of such images will exacerbate the artifacts,
rendering them visually objectionable. In spite of its high practical values,
super-resolving compressed images is not well studied in the literature. In
this paper, we propose a novel compressed image super resolution (CISR)
framework based on parallel and series integration of artifact removal and
resolution enhancement. Based on maximum a posterior inference for estimating a
clean low-resolution (LR) input image and a clean high resolution (HR) output
image from down-sampled and compressed observations, we have designed a CISR
architecture consisting of two deep neural network modules: the artifact
reduction module (ARM) and resolution enhancement module (REM). ARM and REM
work in parallel with both taking the compressed LR image as their inputs,
while they also work in series with REM taking the output of ARM as one of its
inputs and ARM taking the output of REM as its other input. A unique property
of our CSIR system is that a single trained model is able to super-resolve LR
images compressed by different methods to various qualities. This is achieved
by exploiting deep neural net-works capacity for handling image degradations,
and the parallel and series connections between ARM and REM to reduce the
dependency on specific degradations. ARM and REM are trained simultaneously by
the deep unfolding technique. Experiments are conducted on a mixture of JPEG
and WebP compressed images without a priori knowledge of the compression type
and com-pression factor. Visual and quantitative comparisons demonstrate the
superiority of our method over state-of-the-art super resolu-tion methods.
- Abstract（参考訳）: 実世界のアプリケーションでは、画像はサブサンプリングされるだけでなく、様々なアーティファクトを含むように重く圧縮される。
このような画像の解像度を高める簡単な方法は、アーティファクトを悪化させ、視覚的に不快にさせる。
実用的価値は高いものの,圧縮画像の超解像は文献ではあまり研究されていない。
本論文では,アーティファクト除去と解像度向上の並列および直列統合に基づく新しい圧縮画像超解像(CISR)フレームワークを提案する。
クリーンな低分解能(LR)入力画像と、ダウンサンプリングおよび圧縮観察からのクリーンな高分解能(HR)出力イメージを推定するための最大後方推論に基づいて、アーティファクトリダクションモジュール(ARM)とリゾリューションエンハンスモジュール(REM)の2つのディープニューラルネットワークモジュールからなるCISRアーキテクチャを設計しました。
ARMとREMは、圧縮LRイメージを入力として取得することと並行して動作し、REMはARMの出力を入力の1つとして取得し、ARMはREMの出力を他の入力として取得する。
CSIRシステムのユニークな特徴は、異なる方法で圧縮されたLR画像を様々な品質に超解ける1つの訓練されたモデルである。
これは、画像劣化を処理するためのディープニューラルネットワーク容量と、ARMとREM間の並列および直列接続を利用して、特定の劣化への依存を減らすことで実現される。
ARMとREMは、深層展開技術によって同時に訓練される。
JPEGとWebP圧縮画像の混合に対して,圧縮型と圧縮係数の事前知識のない実験を行った。
視覚的および定量的比較は,最先端スーパーリゾルメンテーション法よりも優れていることを示す。
関連論文リスト
- vSHARP: variable Splitting Half-quadratic Admm algorithm for Reconstruction of inverse-Problems [7.043932618116216]
vSHARP (variable Splitting Half-quadratic ADMM algorithm for Reconstruction of inverse Problems) は、医学的イメージング(MI)における不適切な逆問題の解法である。
データ一貫性のために、vSHARPは画像領域で微分勾配降下過程をアンロールし、一方、U-NetアーキテクチャのようなDLベースのデノイザは画質を高めるために適用される。
我々の最先端手法との比較分析は,これらの応用におけるvSHARPの優れた性能を示すものである。
論文 参考訳（メタデータ） (2023-09-18T17:26:22Z) - You Can Mask More For Extremely Low-Bitrate Image Compression [80.7692466922499]
近年,学習画像圧縮(lic)法は大きな進歩を遂げている。
licメソッドは、画像圧縮に不可欠な画像構造とテクスチャコンポーネントを明示的に探索することができない。
原画像の構造とテクスチャに基づいて可視パッチをサンプリングするDA-Maskを提案する。
極めて低ビットレート圧縮のために, lic と lic のエンドツーエンドを統一する最初のフレームワークである, 単純で効果的なマスク付き圧縮モデル (MCM) を提案する。
論文 参考訳（メタデータ） (2023-06-27T15:36:22Z) - Super-Resolution of License Plate Images Using Attention Modules and
Sub-Pixel Convolution Layers [3.8831062015253055]
監視画像における構造的特徴およびテクスチャ的特徴の検出を強化するために,Single-Image Super-Resolution (SISR) アプローチを導入する。
提案手法は,サブピクセルの畳み込み層と,光学的文字認識(OCR)モデルを用いて特徴抽出を行うロス関数を含む。
以上の結果から, これらの低解像度合成画像の再構成手法は, 定量化と定性化の両面で, 既存の画像よりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2023-05-27T00:17:19Z) - Self-Asymmetric Invertible Network for Compression-Aware Image Rescaling [6.861753163565238]
現実世界のアプリケーションでは、ほとんどの画像は伝送のために圧縮される。
圧縮対応画像再スケーリングのための自己非対称可逆ネットワーク(SAIN)を提案する。
論文 参考訳（メタデータ） (2023-03-04T08:33:46Z) - Degradation-Aware Unfolding Half-Shuffle Transformer for Spectral
Compressive Imaging [142.11622043078867]
圧縮画像と物理マスクからパラメータを推定し,これらのパラメータを用いて各イテレーションを制御する,DAUF(Degradation-Aware Unfolding Framework)を提案する。
HST を DAUF に接続することにより,HSI 再構成のための変換器の深部展開法であるデグレーション・アウェア・アンフォールディング・ハーフシャッフル変換器 (DAUHST) を確立した。
論文 参考訳（メタデータ） (2022-05-20T11:37:44Z) - ARM: Any-Time Super-Resolution Method [72.98897502507789]
Any-time Super-Resolution Method (ARM) は、過パラメータ化された単一画像超解像(SISR)モデルに取り組むために提案される。
ARMは,(1)異なる大きさのSISRネットワークで異なる画像パッチの性能,(2)再構成画像の計算オーバーヘッドと性能との間にはトレードオフがあり,(3)入力画像が与えられた場合,そのエッジ情報はPSNRを推定する有効な選択肢となる。
論文 参考訳（メタデータ） (2022-03-21T09:06:26Z) - Implicit Neural Representations for Image Compression [103.78615661013623]
Inlicit Neural Representations (INRs) は、様々なデータ型の新規かつ効果的な表現として注目されている。
量子化、量子化を考慮した再学習、エントロピー符号化を含むINRに基づく最初の包括的圧縮パイプラインを提案する。
我々は、INRによるソース圧縮に対する我々のアプローチが、同様の以前の作業よりも大幅に優れていることに気付きました。
論文 参考訳（メタデータ） (2021-12-08T13:02:53Z) - 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) - Multi-Attention Generative Adversarial Network for Remote Sensing Image
Super-Resolution [17.04588012373861]
画像超解像(SR)法では,空間分解能の高いリモートセンシング画像を生成することができる。
本稿では,GAN(Generative Adversarial Network)に基づく高解像度リモートセンシング画像を生成するネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-14T08:06:19Z) - LAPAR: Linearly-Assembled Pixel-Adaptive Regression Network for Single
Image Super-Resolution and Beyond [75.37541439447314]
単一画像超解像(SISR)は、低解像度(LR)画像を高解像度(HR)バージョンにアップサンプリングする根本的な問題を扱う。
本稿では,線形組立画素適応回帰ネットワーク (LAPAR) を提案する。
論文 参考訳（メタデータ） (2021-05-21T15:47:18Z) - Super-Resolution of Real-World Faces [3.4376560669160394]
実の低解像度 (LR) の顔画像は、変わらず複雑で既知のダウンサンプリングカーネルによってキャプチャされる劣化を含んでいる。
本稿では,特徴抽出モジュールがLR画像からロバストな特徴を抽出する2つのモジュール超解像ネットワークを提案する。
我々は、劣化GANを訓練し、双対的に縮小されたクリーン画像を実際の劣化画像に変換し、得られた劣化LR画像と、そのクリーンLR画像とを補間する。
論文 参考訳（メタデータ） (2020-11-04T17:25:54Z)
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。