論文の概要: Transitive Learning: Exploring the Transitivity of Degradations for Blind Super-Resolution

• arxiv url: http://arxiv.org/abs/2103.15290v1
• Date: Mon, 29 Mar 2021 02:51:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 14:58:54.946533
• Title: Transitive Learning: Exploring the Transitivity of Degradations for Blind Super-Resolution
• Title（参考訳）: 過渡学習 : 盲点超解法における劣化の推移性を探る
• Authors: Yuanfei Huang, Jie Li, Yanting Hu, Xinbo Gao, Wen Lu
• Abstract要約: 経時劣化に対する盲目超解像法 (TLSR) の新しいTransitive Learning法を提案する。 我々は, 広く用いられている添加物および畳み込み劣化を含む劣化の推移性を分析し, 実証する。 提案するTLSRは性能が向上し,最先端のブラインドSR手法と比較して時間の浪費が少ないことを示す。
• 参考スコア（独自算出の注目度）: 89.4784684863403
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Being extremely dependent on the iterative estimation and correction of data or models, the existing blind super-resolution (SR) methods are generally time-consuming and less effective. To address it, this paper proposes a transitive learning method for blind SR using an end-to-end network without any additional iterations in inference. To begin with, we analyze and demonstrate the transitivity of degradations, including the widely used additive and convolutive degradations. We then propose a novel Transitive Learning method for blind Super-Resolution on transitive degradations (TLSR), by adaptively inferring a transitive transformation function to solve the unknown degradations without any iterative operations in inference. Specifically, the end-to-end TLSR network consists of a degree of transitivity (DoT) estimation network, a homogeneous feature extraction network, and a transitive learning module. Quantitative and qualitative evaluations on blind SR tasks demonstrate that the proposed TLSR achieves superior performance and consumes less time against the state-of-the-art blind SR methods. The code is available at https://github.com/YuanfeiHuang/TLSR.
• Abstract（参考訳）: データやモデルの反復的な推定と修正に極めて依存しているため、既存の盲目超解像法(SR)は一般的に時間がかかり、効果が低い。 そこで本研究では,新たな推論の繰り返しを伴わずに,エンドツーエンドネットワークを用いた視覚的SRの推移学習手法を提案する。 まず, 広く用いられている添加物や固化物を含む劣化の遷移度を解析し, 実証する。 そこで我々は, 過渡的変換関数を適応的に推論して, 繰り返し操作を伴わずに未知の劣化を解くことによって, 過渡的分解に対する視覚的超解法(TLSR)を新たに提案する。 具体的には、エンドツーエンドのTLSRネットワークは、遷移度推定ネットワーク(DoT)、均質な特徴抽出ネットワーク、推移学習モジュールから構成される。 ブラインドSRタスクの定量的および定性的評価は、提案したTLSRが優れた性能を達成し、最先端のブラインドSR手法に対してより少ない時間を消費することを示す。 コードはhttps://github.com/yuanfeihuang/tlsrで入手できる。

関連論文リスト

• Content-decoupled Contrastive Learning-based Implicit Degradation Modeling for Blind Image Super-Resolution [33.16889233975723]
  急激な劣化モデルに基づくブラインド・スーパーレゾリューション(SR)は、コミュニティで注目を集めている。 本稿では,CdCL(Content-decoupled Contrastive Learning-based blind image super- resolution)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-10T04:51:43Z)
• Iterative Token Evaluation and Refinement for Real-World Super-Resolution [77.74289677520508]
  実世界の画像超解像(RWSR)は、低品質(LQ)画像が複雑で未同定の劣化を起こすため、長年にわたる問題である。 本稿では,RWSRのための反復的トークン評価・リファインメントフレームワークを提案する。 ITERはGAN(Generative Adversarial Networks)よりも訓練が容易であり,連続拡散モデルよりも効率的であることを示す。
  論文  参考訳（メタデータ） (2023-12-09T17:07:32Z)
• Meta-Learning based Degradation Representation for Blind Super-Resolution [54.93926549648434]
  メタラーニングに基づく地域劣化対応SRネットワーク(MRDA)を提案する。 我々はMRDAを用いて、数回の反復後に特定の複雑な劣化に迅速に適応し、暗黙的な劣化情報を抽出する。 教師ネットワークMRDA$_T$は、SRのためにMLNが抽出した劣化情報をさらに活用するように設計されている。
  論文  参考訳（メタデータ） (2022-07-28T09:03:00Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• Unpaired Image Super-Resolution with Optimal Transport Maps [128.1189695209663]
  実世界の画像超解像(SR)タスクは、しばしば、教師付き技術の適用を制限するペアデータセットを持っていない。 本稿では,非バイアスのOTマップを知覚輸送コストで学習する未ペアSRのアルゴリズムを提案する。 我々のアルゴリズムは、大規模無人AIM-19データセット上で、最先端のパフォーマンスをほぼ提供する。
  論文  参考訳（メタデータ） (2022-02-02T16:21:20Z)
• Discovering "Semantics" in Super-Resolution Networks [54.45509260681529]
  超解像(SR)は低レベルの視覚領域の基本的で代表的な課題である。 一般に、SRネットワークから抽出された特徴は特定の意味情報を持たないと考えられている。 SRネットワークで「セマンティック」を見つけることはできますか?
  論文  参考訳（メタデータ） (2021-08-01T09:12:44Z)
• Blind Image Super-Resolution via Contrastive Representation Learning [41.17072720686262]
  マルチモーダルおよび空間変動分布を持つ画像のブラインドSRに着目したコントラスト表現学習ネットワークを設計する。 提案したCRL-SRは,ブラインド設定下でのマルチモーダル・空間変動劣化を効果的に処理可能であることを示す。 また、最先端のSR手法を質的に、定量的に上回る。
  論文  参考訳（メタデータ） (2021-07-01T19:34:23Z)
• Unsupervised Degradation Representation Learning for Blind Super-Resolution [27.788488575616032]
  CNNベースのスーパーリゾリューション(SR)手法は、実際の劣化が仮定と異なる場合に深刻なパフォーマンス低下を被る。 明示的な劣化推定を伴わない盲点SRのための教師なし劣化表現学習手法を提案する。 我々のネットワークは、ブラインドSRタスクの最先端性能を達成する。
  論文  参考訳（メタデータ） (2021-04-01T11:57:42Z)
• Towards Understanding Label Smoothing [36.54164997035046]
  ラベルスムーズな正規化(LSR)は、トレーニングアルゴリズムによるディープニューラルネットワークにおいて大きな成功を収めている。 適切なLSRが分散を減少させることで収束を加速することを示す。 本稿では,TSLA(Two-Stage LAbel smoothing algorithm)を提案する。
  論文  参考訳（メタデータ） (2020-06-20T20:36:17Z)

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。