論文の概要: ClassSR: A General Framework to Accelerate Super-Resolution Networks by Data Characteristic

• arxiv url: http://arxiv.org/abs/2103.04039v1
• Date: Sat, 6 Mar 2021 06:00:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-09 15:42:31.597931
• Title: ClassSR: A General Framework to Accelerate Super-Resolution Networks by Data Characteristic
• Title（参考訳）: ClassSR: 超リゾリューションネットワークをデータ特性で高速化する汎用フレームワーク
• Authors: Xiangtao Kong, Hengyuan Zhao, Yu Qiao, Chao Dong
• Abstract要約: 大型画像(2K-8K)上での超解像(SR)ネットワークの高速化を目指す。 異なる画像領域は復元の困難度が異なり、異なるキャパシティを持つネットワークで処理できることがわかった。 分類とSRを統一したフレームワークで組み合わせた新しいソリューションパイプラインであるClassSRを提案する。
• 参考スコア（独自算出の注目度）: 35.02837100573671
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We aim at accelerating super-resolution (SR) networks on large images (2K-8K). The large images are usually decomposed into small sub-images in practical usages. Based on this processing, we found that different image regions have different restoration difficulties and can be processed by networks with different capacities. Intuitively, smooth areas are easier to super-solve than complex textures. To utilize this property, we can adopt appropriate SR networks to process different sub-images after the decomposition. On this basis, we propose a new solution pipeline -- ClassSR that combines classification and SR in a unified framework. In particular, it first uses a Class-Module to classify the sub-images into different classes according to restoration difficulties, then applies an SR-Module to perform SR for different classes. The Class-Module is a conventional classification network, while the SR-Module is a network container that consists of the to-be-accelerated SR network and its simplified versions. We further introduce a new classification method with two losses -- Class-Loss and Average-Loss to produce the classification results. After joint training, a majority of sub-images will pass through smaller networks, thus the computational cost can be significantly reduced. Experiments show that our ClassSR can help most existing methods (e.g., FSRCNN, CARN, SRResNet, RCAN) save up to 50% FLOPs on DIV8K datasets. This general framework can also be applied in other low-level vision tasks.
• Abstract（参考訳）: 大型画像(2K-8K)上での超解像(SR)ネットワークの高速化を目指す。 大きな画像は通常、実用上は小さなサブ画像に分解される。 この処理に基づいて,画像領域が異なる復元難易度を有し,キャパシティの異なるネットワークで処理できることを見出した。 直感的には、滑らかな領域は複雑なテクスチャよりも超解けやすい。 この特性を利用するために,分解後のサブイメージの処理に適切なsrネットワークを適用できる。 そこで、分類とSRを統一したフレームワークで組み合わせた新しいソリューションパイプラインであるClassSRを提案します。 特に、修復困難に応じてサブイメージを異なるクラスに分類するためにClass-Moduleを使用し、異なるクラスに対してSRを実行するためにSR-Moduleを適用する。 Class-Moduleは従来の分類ネットワークであり、SR-Moduleはto-be-accelerated SRネットワークとその簡略化されたバージョンからなるネットワークコンテナである。 さらに,分類結果を生成するために,クラス損失と平均損失という2つの損失を持つ新しい分類法を提案する。 共同トレーニングの後、サブイメージの大部分は小さなネットワークを通過するため、計算コストを大幅に削減できます。 実験の結果、我々のClassSRは既存のほとんどのメソッド(FSRCNN、CARN、SRResNet、RCAN)をDIV8Kデータセット上で最大50%のFLOPを節約できることがわかった。 この一般的なフレームワークは、他の低レベルビジョンタスクにも適用できます。

関連論文リスト

• Learning Many-to-Many Mapping for Unpaired Real-World Image Super-resolution and Downscaling [60.80788144261183]
  実世界のLR画像とHR画像の双方向多対多マッピングを教師なしで同時に学習するSDFlowと呼ばれる画像ダウンスケーリングとSRモデルを提案する。 実世界の画像SRデータセットによる実験結果から,SDFlowは定量的かつ定性的に,多様な現実的なLRとSRの画像を生成可能であることが示唆された。
  論文  参考訳（メタデータ） (2023-10-08T01:48:34Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Improving Super-Resolution Performance using Meta-Attention Layers [17.870338228921327]
  畳み込みニューラルネットワーク(CNN)は多くの超解像(SR)と画像復元タスクで素晴らしい結果を得た。 SRのIll-posed性質は、複数の異なる劣化を経た画像を正確に超解き出すのを難しくする。 メタアテンション(メタアテンション)は、任意のSR CNNが関連する劣化パラメータで利用可能な情報を活用できるようにするメカニズムである。
  論文  参考訳（メタデータ） (2021-10-27T09:20:21Z)
• 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)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• 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)
• Learning with Privileged Information for Efficient Image Super-Resolution [35.599731963795875]
  本稿では,FSRCNNの性能を大幅に向上させる,教員ネットワークと学生ネットワークからなる新しい蒸留フレームワークについて紹介する。 教師のエンコーダは、模倣損失を用いて劣化過程、HR画像のサブサンプリングを学習する。 FSRCNNと同じネットワークアーキテクチャを持つ教師の生徒とデコーダは、HR画像の再構築を試みる。
  論文  参考訳（メタデータ） (2020-07-15T07:44:18Z)
• Learning A Single Network for Scale-Arbitrary Super-Resolution [43.025921944418485]
  本稿では,スケール固有のネットワークから,スケール・アービタリー画像SRネットワークを学習することを提案する。 我々のプラグインモジュールは既存のネットワークに容易に適応でき、スケール・アービタリーSRを実現することができる。
  論文  参考訳（メタデータ） (2020-04-08T03:40:15Z)
• Unpaired Image Super-Resolution using Pseudo-Supervision [12.18340575383456]
  生成逆数ネットワークを用いた非対位画像超解像(SR)手法を提案する。 我々のネットワークは、未ペアカーネル/ノイズ補正ネットワークと擬ペアSRネットワークで構成されている。 多様なデータセットに対する実験により,提案手法は未ペアSR問題に対する既存の解よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-02-26T10:30:52Z)
• DDet: Dual-path Dynamic Enhancement Network for Real-World Image Super-Resolution [69.2432352477966]
  実画像超解像(Real-SR)は、実世界の高分解能画像(HR)と低分解能画像(LR)の関係に焦点を当てている。 本稿では,Real-SRのためのデュアルパス動的拡張ネットワーク(DDet)を提案する。 特徴表現のための大規模な畳み込みブロックを積み重ねる従来の手法とは異なり、非一貫性のある画像対を研究するためのコンテンツ認識フレームワークを導入する。
  論文  参考訳（メタデータ） (2020-02-25T18:24:51Z)

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。