論文の概要: Real-World Single Image Super-Resolution: A Brief Review

• arxiv url: http://arxiv.org/abs/2103.02368v1
• Date: Wed, 3 Mar 2021 12:41:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-06 20:36:00.677339
• Title: Real-World Single Image Super-Resolution: A Brief Review
• Title（参考訳）: 実世界単一画像の超解像度:短いレビュー
• Authors: Honggang Chen, Xiaohai He, Linbo Qing, Yuanyuan Wu, Chao Ren, Ce Zhu
• Abstract要約: 単一画像超解像(SISR)は、低解像(LR)観測から高解像(HR)画像を再構成することを目的とする。 深層学習に基づく超解像法が注目され,合成データの再構成性能が大幅に向上した。
• 参考スコア（独自算出の注目度）: 44.14123585227239
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single image super-resolution (SISR), which aims to reconstruct a high-resolution (HR) image from a low-resolution (LR) observation, has been an active research topic in the area of image processing in recent decades. Particularly, deep learning-based super-resolution (SR) approaches have drawn much attention and have greatly improved the reconstruction performance on synthetic data. Recent studies show that simulation results on synthetic data usually overestimate the capacity to super-resolve real-world images. In this context, more and more researchers devote themselves to develop SR approaches for realistic images. This article aims to make a comprehensive review on real-world single image super-resolution (RSISR). More specifically, this review covers the critical publically available datasets and assessment metrics for RSISR, and four major categories of RSISR methods, namely the degradation modeling-based RSISR, image pairs-based RSISR, domain translation-based RSISR, and self-learning-based RSISR. Comparisons are also made among representative RSISR methods on benchmark datasets, in terms of both reconstruction quality and computational efficiency. Besides, we discuss challenges and promising research topics on RSISR.
• Abstract（参考訳）: 低分解能(LR)観測から高分解能(HR)画像を再構成することを目的とした単一画像超解像(SISR)は,近年,画像処理分野において活発な研究課題となっている。 特に、深層学習に基づく超解像(SR)アプローチは、多くの注目を集め、合成データの再構成性能を大幅に向上させた。 最近の研究では、合成データのシミュレーション結果は、通常、実世界画像の超解像能力を過大評価している。 この文脈では、より多くの研究者が現実的な画像のためのSRアプローチの開発に力を注いでいる。 本稿では,実世界の単一画像超解像(RSISR)の総合的なレビューを行う。 具体的には、RSISRの重要な公開データセットと評価指標、RSISRメソッドの4つの主要なカテゴリ、すなわち劣化モデリングベースのRSISR、画像ペアベースのRSISR、ドメイン翻訳ベースのRSISR、および自己学習ベースのRSISRについて説明します。 ベンチマークデータセット上の代表的なRSISRメソッドの中で、再構築品質と計算効率の両方の観点から比較も行われている。 また,RSISRの課題と今後の研究課題についても論じる。

関連論文リスト

• Towards Realistic Data Generation for Real-World Super-Resolution [58.88039242455039]
  RealDGenは、現実世界の超解像のために設計された教師なし学習データ生成フレームワークである。 我々は,コンテンツ分解脱結合拡散モデルに統合されたコンテンツと劣化抽出戦略を開発する。 実験により、RealDGenは、現実世界の劣化を反映する大規模で高品質なペアデータを生成するのに優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-11T13:34:57Z)
• Low-Res Leads the Way: Improving Generalization for Super-Resolution by Self-Supervised Learning [45.13580581290495]
  本研究は,SRモデルの現実の画像への適応性を高めるために,新しい"Low-Res Leads the Way"(LWay)トレーニングフレームワークを導入する。 提案手法では,低分解能(LR)再構成ネットワークを用いて,LR画像から劣化埋め込みを抽出し,LR再構成のための超解出力とマージする。 私たちのトレーニング体制は普遍的に互換性があり、ネットワークアーキテクチャの変更は不要です。
  論文  参考訳（メタデータ） (2024-03-05T02:29:18Z)
• Bridging the Domain Gap: A Simple Domain Matching Method for Reference-based Image Super-Resolution in Remote Sensing [8.36527949191506]
  近年、参照ベース画像超解像(RefSR)は、画像超解像(SR)タスクにおいて優れた性能を示している。 既存のRefSRモデルとシームレスに統合可能なドメインマッチング(DM)モジュールを導入する。 我々の分析では、これらの領域のギャップは異なる衛星でしばしば生じており、我々のモデルはこれらの課題に効果的に対処している。
  論文  参考訳（メタデータ） (2024-01-29T08:10:00Z)
• ICF-SRSR: Invertible scale-Conditional Function for Self-Supervised Real-world Single Image Super-Resolution [60.90817228730133]
  単一画像超解像(SISR)は、与えられた低解像度(LR)画像を高解像度(HR)にアップサンプリングすることを目的とした課題である。 近年のアプローチは、単純化されたダウンサンプリング演算子によって劣化したシミュレーションLR画像に基づいて訓練されている。 Invertible Scale-Conditional Function (ICF) を提案する。これは入力画像をスケールし、異なるスケール条件で元の入力を復元する。
  論文  参考訳（メタデータ） (2023-07-24T12:42:45Z)
• Reference-based Image Super-Resolution with Deformable Attention Transformer [62.71769634254654]
  RefSRは、補助参照(Ref)画像を超解像低解像度(LR)画像に活用することを目的としている。 本稿では,複数のスケールを持つ変形可能なアテンション変換器,すなわちDATSRを提案する。 DATSRがベンチマークデータセット上で最先端のパフォーマンスを達成することを示す実験を行った。
  論文  参考訳（メタデータ） (2022-07-25T07:07:00Z)
• Real-World Image Super-Resolution by Exclusionary Dual-Learning [98.36096041099906]
  実世界の画像超解像は,高品質な画像を得るための実用的な画像復元問題である。 深層学習に基づく手法は、現実世界の超解像データセットの復元に期待できる品質を実現している。 本稿では,RWSR-EDL(Real-World Image Super-Resolution by Exclusionary Dual-Learning)を提案する。
  論文  参考訳（メタデータ） (2022-06-06T13:28:15Z)
• 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)
• Joint Generative Learning and Super-Resolution For Real-World Camera-Screen Degradation [6.14297871633911]
  現実世界の単一画像超解像(SISR)タスクでは、低解像度画像はより複雑な劣化に苦しむ。 本稿では,カメラ画面の劣化に着目し,実世界のデータセット(Cam-ScreenSR)を構築する。 まず、ダウンサンプリング劣化GAN(DD-GAN)をトレーニングし、その分解をモデル化し、より多様なLR画像を生成する。 そして、二重残差チャネルアテンションネットワーク(DuRCAN)がSR画像の復元を学習する。
  論文  参考訳（メタデータ） (2020-08-01T07:10:13Z)

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。