論文の概要: COLA-Net: Collaborative Attention Network for Image Restoration
- arxiv url: http://arxiv.org/abs/2103.05961v1
- Date: Wed, 10 Mar 2021 09:33:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-12 13:59:31.057238
- Title: COLA-Net: Collaborative Attention Network for Image Restoration
- Title（参考訳）: COLA-Net:画像復元のための協調型注意ネットワーク
- Authors: Chong Mou, Jian Zhang, Xiaopeng Fan, Hangfan Liu, Ronggang Wang
- Abstract要約: 画像復元のための新しいコラボレーティブアテンションネットワーク(COLA-Net)を提案する。
提案したCOLA-Netは,ピーク信号対雑音比と視覚知覚の両方において最先端の性能を実現することができる。
- 参考スコア（独自算出の注目度）: 27.965025010397603
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Local and non-local attention-based methods have been well studied in various
image restoration tasks while leading to promising performance. However, most
of the existing methods solely focus on one type of attention mechanism (local
or non-local). Furthermore, by exploiting the self-similarity of natural
images, existing pixel-wise non-local attention operations tend to give rise to
deviations in the process of characterizing long-range dependence due to image
degeneration. To overcome these problems, in this paper we propose a novel
collaborative attention network (COLA-Net) for image restoration, as the first
attempt to combine local and non-local attention mechanisms to restore image
content in the areas with complex textures and with highly repetitive details
respectively. In addition, an effective and robust patch-wise non-local
attention model is developed to capture long-range feature correspondences
through 3D patches. Extensive experiments on synthetic image denoising, real
image denoising and compression artifact reduction tasks demonstrate that our
proposed COLA-Net is able to achieve state-of-the-art performance in both peak
signal-to-noise ratio and visual perception, while maintaining an attractive
computational complexity. The source code is available on
https://github.com/MC-E/COLA-Net.
- Abstract（参考訳）: 局所的および非局所的注意に基づく手法は、様々な画像復元タスクでよく研究され、有望なパフォーマンスをもたらす。
しかし、既存の手法のほとんどは、一種類の注意機構(ローカルまたは非ローカル)のみに焦点を当てている。
さらに、自然画像の自己相似性を生かして、既存の画素単位の非局所的注意操作は、画像変性による長距離依存を特徴づける過程でずれを引き起こす傾向がある。
そこで本論文では,局所的および非局所的な注意メカニズムを組み合わせ,複雑なテクスチャと反復的な詳細を持つ領域の画像コンテンツを復元する試みとして,画像復元のための新たな協調的注意ネットワーク(COLA-Net)を提案する。
さらに, 3次元パッチによる長距離特徴対応を捉えるために, 有効かつ堅牢なパッチワイズ非局所注意モデルを開発した。
合成画像のデノイジング,実画像デノイジング,圧縮アーティファクト削減タスクに関する広範な実験により,本提案手法は,計算複雑性を維持しつつ,ピーク信号対ノイズ比と視覚知覚の両方において最先端の性能を実現することができることを示した。
ソースコードはhttps://github.com/MC-E/COLA-Netで入手できる。
関連論文リスト
- Attention Overlap Is Responsible for The Entity Missing Problem in Text-to-image Diffusion Models! [3.355491272942994]
本研究では, 実体欠落問題の原因となる3つの要因について検討し, クロスアテンションダイナミクスに着目した。
実体間の注意マップの重複を減らすことは、実体の欠落率を効果的に最小化することを発見した。
論文 参考訳（メタデータ） (2024-10-28T12:43:48Z) - Empowering Image Recovery_ A Multi-Attention Approach [96.25892659985342]
Diverse Restormer (DART) は、様々なソースからの情報を統合して復元課題に対処する画像復元手法である。
DARTは、全体的なパフォーマンスを高めるために、カスタマイズされたアテンションメカニズムを採用している。
5つの復元作業における評価は、常にDARTを最前線に配置する。
論文 参考訳（メタデータ） (2024-04-06T12:50:08Z) - CiaoSR: Continuous Implicit Attention-in-Attention Network for
Arbitrary-Scale Image Super-Resolution [158.2282163651066]
本稿ではCiaoSRと呼ばれる連続的な暗黙の注意-注意ネットワークを提案する。
我々は、周辺地域の特徴のアンサンブル重みを学習するために、暗黙の注意ネットワークを明示的に設計する。
我々は、この暗黙の注意ネットワークにスケールアウェアの注意を埋め込んで、追加の非ローカル情報を活用する。
論文 参考訳（メタデータ） (2022-12-08T15:57:46Z) - Hierarchical Similarity Learning for Aliasing Suppression Image
Super-Resolution [64.15915577164894]
エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。
HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
論文 参考訳（メタデータ） (2022-06-07T14:55:32Z) - Attention-based Image Upsampling [14.676228848773157]
我々は、注意メカニズムを使用して別の正統的な操作を置き換える方法を示しています。
注意に基づくアップサンプリングが従来のアップサンプリング手法より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2020-12-17T19:58:10Z) - Image Super-Resolution with Cross-Scale Non-Local Attention and
Exhaustive Self-Exemplars Mining [66.82470461139376]
本稿では,再帰型ニューラルネットワークに統合されたCS-NLアテンションモジュールを提案する。
新しいCS-NLと局所的および非局所的非局所的前駆体を強力な再帰核融合セルで組み合わせることで、単一の低分解能画像内でよりクロススケールな特徴相関を見出すことができる。
論文 参考訳（メタデータ） (2020-06-02T07:08:58Z) - Reconstructing the Noise Manifold for Image Denoising [56.562855317536396]
本稿では,画像ノイズ空間の構造を明示的に活用するcGANを提案する。
画像ノイズの低次元多様体を直接学習することにより、この多様体にまたがる情報のみをノイズ画像から除去する。
我々の実験に基づいて、我々のモデルは既存の最先端アーキテクチャを大幅に上回っている。
論文 参考訳（メタデータ） (2020-02-11T00:31:31Z) - Image Fine-grained Inpainting [89.17316318927621]
拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。
この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。
また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
論文 参考訳（メタデータ） (2020-02-07T03:45:25Z)
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。