論文の概要: Asymmetric CNN for image super-resolution

• arxiv url: http://arxiv.org/abs/2103.13634v1
• Date: Thu, 25 Mar 2021 07:10:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-26 13:39:18.669912
• Title: Asymmetric CNN for image super-resolution
• Title（参考訳）: 画像超解像のための非対称CNN
• Authors: Chunwei Tian, Yong Xu, Wangmeng Zuo, Chia-Wen Lin and David Zhang
• Abstract要約: 深層畳み込みニューラルネットワーク(CNN)は、過去5年間で低レベルビジョンに広く適用されています。 画像超解像のための非対称ブロック(AB)、mem?ory拡張ブロック(MEB)、高周波数特徴強調ブロック(HFFEB)からなる非対称CNN(ACNet)を提案する。 我々のACNetは、ブラインドノイズの単一画像超解像(SISR)、ブラインドSISR、ブラインドSISRを効果的に処理できる。
• 参考スコア（独自算出の注目度）: 102.96131810686231
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep convolutional neural networks (CNNs) have been widely applied for low-level vision over the past five years. According to nature of different applications, designing appropriate CNN architectures is developed. However, customized architectures gather different features via treating all pixel points as equal to improve the performance of given application, which ignores the effects of local power pixel points and results in low training efficiency. In this paper, we propose an asymmetric CNN (ACNet) comprising an asymmetric block (AB), a mem?ory enhancement block (MEB) and a high-frequency feature enhancement block (HFFEB) for image super-resolution. The AB utilizes one-dimensional asymmetric convolutions to intensify the square convolution kernels in horizontal and vertical directions for promoting the influences of local salient features for SISR. The MEB fuses all hierarchical low-frequency features from the AB via residual learning (RL) technique to resolve the long-term dependency problem and transforms obtained low-frequency fea?tures into high-frequency features. The HFFEB exploits low- and high-frequency features to obtain more robust super-resolution features and address excessive feature enhancement problem. Ad?ditionally, it also takes charge of reconstructing a high-resolution (HR) image. Extensive experiments show that our ACNet can effectively address single image super-resolution (SISR), blind SISR and blind SISR of blind noise problems. The code of the ACNet is shown at https://github.com/hellloxiaotian/ACNet.
• Abstract（参考訳）: 深層畳み込みニューラルネットワーク(cnns)は、過去5年間、低レベルのビジョンに広く適用されてきた。 異なるアプリケーションの性質に従って、適切なcnnアーキテクチャを設計する。 しかし、カスタマイズされたアーキテクチャは、任意のアプリケーションの性能を向上させるために、すべてのピクセルポイントを平等に扱うことで異なる特徴を収集し、ローカルパワーピクセルポイントの影響を無視し、トレーニング効率を低下させる。 本稿では,非対称ブロック(ab),mem/ory拡張ブロック(meb),高周波特徴強調ブロック(hffeb)からなる画像超解像のための非対称cnn(acnet)を提案する。 ABは1次元の非対称畳み込みを利用して正方形の畳み込み核を水平方向と垂直方向に強化し、SISRの局所的な塩分特性の影響を促進する。 MEBは、長期依存問題を解決するために残差学習(RL)技術を介して、ABの階層的な低周波特徴をすべて融合し、低周波特性を高周波特徴に変換する。 HFFEBは低周波・高周波特性を利用して、より堅牢な超解像特性と過剰な特徴強調問題に対処する。 また、高解像度(hr)画像を再構築する役割も担っている。 広範な実験により,我々のacnetは単一画像スーパーレゾリューション(sisr),ブラインドsisr,ブラインドノイズ問題のブラインドsisrに対して効果的に対処できることを示した。 ACNetのコードはhttps://github.com/hellloxiaotian/ACNetで示されている。

関連論文リスト

• Efficient Model Agnostic Approach for Implicit Neural Representation Based Arbitrary-Scale Image Super-Resolution [5.704360536038803]
  単一の画像超解像(SISR)は、主に深層畳み込みネットワークによって大きく進歩した。 従来のネットワークは、画像を一定のスケールにスケールアップすることに限定されており、任意のスケールのイメージを生成するために暗黙の神経機能を利用することになる。 我々は,任意のスケールで超解像を実現する,新しい,効率的なフレームワークであるMixture of Experts Implicit Super-Resolution(MoEISR)を導入する。
  論文  参考訳（メタデータ） (2023-11-20T05:34:36Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Spatially-Adaptive Feature Modulation for Efficient Image Super-Resolution [90.16462805389943]
  視覚変換器(ViT)のようなブロック上に,空間適応型特徴変調(SAFM)機構を開発する。 提案法は最先端のSR法よりも3倍程度小さい。
  論文  参考訳（メタデータ） (2023-02-27T14:19:31Z)
• DCS-RISR: Dynamic Channel Splitting for Efficient Real-world Image Super-Resolution [15.694407977871341]
  実世界の画像超解像(RISR)は、未知の複雑な劣化下でのSR画像の品質向上に重点を置いている。 既存の手法は、分解レベルが異なる低解像度(LR)画像を強化するために重いSRモデルに依存している。 本稿では,DCS-RISRと呼ばれる高効率リアルタイム画像超解法のための動的チャネル分割方式を提案する。
  論文  参考訳（メタデータ） (2022-12-15T04:34:57Z)
• Effective Invertible Arbitrary Image Rescaling [77.46732646918936]
  Invertible Neural Networks (INN)は、ダウンスケーリングとアップスケーリングのサイクルを共同で最適化することにより、アップスケーリングの精度を大幅に向上させることができる。 本研究の1つのモデルのみをトレーニングすることにより、任意の画像再スケーリングを実現するために、単純で効果的な非可逆的再スケーリングネットワーク(IARN)を提案する。 LR出力の知覚品質を損なうことなく、双方向任意再スケーリングにおいて最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2022-09-26T22:22:30Z)
• Image Super-resolution with An Enhanced Group Convolutional Neural Network [102.2483249598621]
  学習能力の強いCNNは、超解像問題を解くために広く選択されている。 浅層構造を持つ超解像群CNN(ESRGCNN)を提案する。 ESRGCNNは、SISRの性能、複雑さ、実行速度、画質評価およびSISRの視覚効果の観点から、最先端技術を上回っていると報告されている。
  論文  参考訳（メタデータ） (2022-05-29T00:34:25Z)
• Deep Networks for Image and Video Super-Resolution [30.75380029218373]
  単一画像超解像(SISR)は、MDCB(Mixed-Dense connection block)と呼ばれる効率的な畳み込みユニットを用いて構築される。 ネットワークの2つのバージョンをトレーニングし、異なる損失構成を用いて相補的な画像品質を向上させる。 ネットワークは複数のフレームから情報を集約し,時間的整合性を維持するために学習する。
  論文  参考訳（メタデータ） (2022-01-28T09:15:21Z)
• Lightweight image super-resolution with enhanced CNN [82.36883027158308]
  強い表現力を持つ深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像(SISR)において印象的な性能を達成した 情報抽出・拡張ブロック(IEEB)、再構築ブロック(RB)、情報精製ブロック(IRB)の3つの連続したサブブロックを持つ軽量拡張SR CNN(LESRCNN)を提案する。 IEEBは階層的低分解能(LR)特徴を抽出し、SISRの深い層上の浅い層の記憶能力を高めるために、得られた特徴を段階的に集約する。 RBはグローバルに拡散することで低周波特徴を高周波特徴に変換する
  論文  参考訳（メタデータ） (2020-07-08T18:03:40Z)

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。