論文の概要: Flow-based Kernel Prior with Application to Blind Super-Resolution
- arxiv url: http://arxiv.org/abs/2103.15977v1
- Date: Mon, 29 Mar 2021 22:37:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-31 14:42:14.522941
- Title: Flow-based Kernel Prior with Application to Blind Super-Resolution
- Title(参考訳): Blind Super-Resolution に先立つフローベースカーネル
- Authors: Jingyun Liang, Kai Zhang, Shuhang Gu, Luc Van Gool, Radu Timofte
- Abstract要約: カーネル推定は一般にブラインド画像超解像(SR)の鍵となる問題の一つである
本稿では,カーネルモデリングのための正規化フローベースカーネルプリレント(fkp)を提案する。
合成および実世界の画像の実験により、提案したFKPがカーネル推定精度を大幅に向上することを示した。
- 参考スコア(独自算出の注目度): 143.21527713002354
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Kernel estimation is generally one of the key problems for blind image
super-resolution (SR). Recently, Double-DIP proposes to model the kernel via a
network architecture prior, while KernelGAN employs the deep linear network and
several regularization losses to constrain the kernel space. However, they fail
to fully exploit the general SR kernel assumption that anisotropic Gaussian
kernels are sufficient for image SR. To address this issue, this paper proposes
a normalizing flow-based kernel prior (FKP) for kernel modeling. By learning an
invertible mapping between the anisotropic Gaussian kernel distribution and a
tractable latent distribution, FKP can be easily used to replace the kernel
modeling modules of Double-DIP and KernelGAN. Specifically, FKP optimizes the
kernel in the latent space rather than the network parameter space, which
allows it to generate reasonable kernel initialization, traverse the learned
kernel manifold and improve the optimization stability. Extensive experiments
on synthetic and real-world images demonstrate that the proposed FKP can
significantly improve the kernel estimation accuracy with less parameters,
runtime and memory usage, leading to state-of-the-art blind SR results.
- Abstract(参考訳): カーネル推定は一般に、ブラインド画像スーパーレゾリューション(sr)の重要な問題の1つである。
近年、double-dip はネットワークアーキテクチャによってカーネルをモデル化することを提案しているが、kernelgan は深い線形ネットワークといくつかの正規化損失を用いてカーネル空間を制約している。
しかし、画像srに異方性ガウスカーネルが十分であるという一般的なsrカーネルの仮定を十分に活用できないため、本稿では、カーネルモデリングのための正規化フローベースカーネルプリエント(fkp)を提案する。
異方性ガウス核分布とトラクタブル潜在分布との非可逆写像を学習することにより、FKPはDouble-DIPとKernelGANのカーネルモデリングモジュールを置き換えるのに容易に使用できる。
具体的には、FKPはネットワークパラメータ空間ではなく潜在空間のカーネルを最適化し、合理的なカーネル初期化を生成し、学習されたカーネル多様体を横断し、最適化安定性を向上させる。
合成および実世界の画像に対する大規模な実験により、提案されたFKPは、パラメータ、実行時、メモリ使用量を減らすことでカーネル推定精度を大幅に向上し、最先端のブラインドSR結果をもたらすことが示されている。
関連論文リスト
- Kernel-based retrieval models for hyperspectral image data optimized with Kernel Flows [0.0]
カーネルベースの統計手法は効率的であるが、その性能はカーネルパラメータの選択に大きく依存する。
K-PCR(Kernel principal Component Regression)を最適化し,KF-PLSとともにテストするための新しいKF型アプローチを提案する。
両手法は2つのハイパースペクトルリモートセンシングデータセットを用いて非線形回帰手法に対してベンチマークを行う。
論文 参考訳(メタデータ) (2024-11-12T13:54:13Z) - Self-supervised learning with rotation-invariant kernels [4.059849656394191]
組込み分布を超球面上の均一分布に近接させる汎用正規化損失を設計するための汎用カーネルフレームワークを提案する。
我々のフレームワークは、ハイパースフィア上で定義された回転不変カーネル(ドット生成カーネルとも呼ばれる)を使用する。
本実験は, 回転不変カーネルを用いることで, 最先端の手法と比較して, 競合する結果が得られることを示した。
論文 参考訳(メタデータ) (2022-07-28T08:06:24Z) - Deep Constrained Least Squares for Blind Image Super-Resolution [36.71106982590893]
劣化モデルと2つの新しいモジュールを用いたブラインド画像超解像(SR)問題に取り組む。
より具体的には、まず分解モデルを変えて、劣化するカーネル推定を低分解能空間に転送する。
実験により,提案手法は最先端手法に対する精度の向上と視覚的改善を実現することが示された。
論文 参考訳(メタデータ) (2022-02-15T15:32:11Z) - Learning with convolution and pooling operations in kernel methods [8.528384027684192]
近年の実証研究により、階層的畳み込みカーネルは、画像分類タスクにおけるカーネルメソッドの性能を向上させることが示されている。
畳み込みアーキテクチャにおける近似と一般化の正確な相互作用について検討する。
この結果から,対象関数に適応したアーキテクチャの選択が,サンプルの複雑性を大幅に向上させることを示す。
論文 参考訳(メタデータ) (2021-11-16T09:00:44Z) - Deep Kernel Representation for Image Reconstruction in PET [9.041102353158065]
最適化されたカーネルモデルの自動学習を可能にするために,ディープニューラルネットワークを活用するディープカーネル手法を提案する。
コンピュータシミュレーションと実際の患者データセットの結果から,提案したディープカーネル法は既存のカーネル法やニューラルネットワーク法よりも高速で,PET画像の動的再構成が可能であることが示された。
論文 参考訳(メタデータ) (2021-10-04T03:53:33Z) - Mutual Affine Network for Spatially Variant Kernel Estimation in Blind
Image Super-Resolution [130.32026819172256]
既存のブラインド画像超解像法(SR)は、ぼやけたカーネルが画像全体にわたって空間的に不変であると仮定する。
本稿では,空間変動カーネル推定のための相互アフィンネットワーク(MANet)を提案する。
論文 参考訳(メタデータ) (2021-08-11T16:11:17Z) - Kernel Identification Through Transformers [54.3795894579111]
カーネル選択はガウス過程(GP)モデルの性能決定において中心的な役割を果たす。
この研究は、高次元GP回帰モデルのためのカスタムカーネル関数を構築するという課題に対処する。
KITT: Kernel Identification through Transformersを提案する。
論文 参考訳(メタデータ) (2021-06-15T14:32:38Z) - Random Features for the Neural Tangent Kernel [57.132634274795066]
完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。
得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
論文 参考訳(メタデータ) (2021-04-03T09:08:12Z) - Finite Versus Infinite Neural Networks: an Empirical Study [69.07049353209463]
カーネルメソッドは、完全に接続された有限幅ネットワークより優れている。
中心とアンサンブルの有限ネットワークは後続のばらつきを減らした。
重みの減衰と大きな学習率の使用は、有限ネットワークと無限ネットワークの対応を破る。
論文 参考訳(メタデータ) (2020-07-31T01:57:47Z) - Optimal Rates for Averaged Stochastic Gradient Descent under Neural
Tangent Kernel Regime [50.510421854168065]
平均勾配勾配勾配は極小収束率が得られることを示す。
本稿では、ReLUネットワークのNTKで指定されたターゲット関数を最適収束速度で学習できることを示す。
論文 参考訳(メタデータ) (2020-06-22T14:31:37Z)
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。