論文の概要: SDAN: Squared Deformable Alignment Network for Learning Misaligned Optical Zoom

• arxiv url: http://arxiv.org/abs/2104.00848v1
• Date: Fri, 2 Apr 2021 01:58:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 13:53:34.013335
• Title: SDAN: Squared Deformable Alignment Network for Learning Misaligned Optical Zoom
• Title（参考訳）: SDAN:光ズーム学習のための正方形変形可能なアライメントネットワーク
• Authors: Kangfu Mei, Shenglong Ye, Rui Huang
• Abstract要約: ディープニューラルネットワーク(DNN)に基づく超解像アルゴリズムは、生成した画像の品質を大幅に改善した。 これらのアルゴリズムはしばしば、現実世界の超解像問題を扱う際に重要な成果物をもたらす。 この問題に対処するために、Squared Deformable Alignment Network (SDAN) を紹介します。
• 参考スコア（独自算出の注目度）: 5.202871995038932
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep Neural Network (DNN) based super-resolution algorithms have greatly improved the quality of the generated images. However, these algorithms often yield significant artifacts when dealing with real-world super-resolution problems due to the difficulty in learning misaligned optical zoom. In this paper, we introduce a Squared Deformable Alignment Network (SDAN) to address this issue. Our network learns squared per-point offsets for convolutional kernels, and then aligns features in corrected convolutional windows based on the offsets. So the misalignment will be minimized by the extracted aligned features. Different from the per-point offsets used in the vanilla Deformable Convolutional Network (DCN), our proposed squared offsets not only accelerate the offset learning but also improve the generation quality with fewer parameters. Besides, we further propose an efficient cross packing attention layer to boost the accuracy of the learned offsets. It leverages the packing and unpacking operations to enlarge the receptive field of the offset learning and to enhance the ability of extracting the spatial connection between the low-resolution images and the referenced images. Comprehensive experiments show the superiority of our method over other state-of-the-art methods in both computational efficiency and realistic details.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)ベースの超解像アルゴリズムは生成した画像の品質を大幅に改善した。 しかし、これらのアルゴリズムは、光学ズームの誤りを学習することの難しさから、現実世界の超解像問題を扱う際に重要な成果物を生じることが多い。 本稿では,この問題に対処する正方形変形性アライメントネットワーク(SDAN)を提案する。 我々のネットワークは、畳み込みカーネルの2乗オフセットを学習し、オフセットに基づいて修正畳み込みウィンドウの機能を整列する。 したがって、ミスアライメントは、抽出されたアライメントされた特徴によって最小化される。 バニラ変形可能な畳み込みネットワーク(dcn)で使用される点ごとのオフセットとは異なり、提案する二乗オフセットはオフセット学習を加速するだけでなく、少ないパラメータで生成品質を向上させる。 さらに,学習したオフセットの精度を高めるために,効率的なクロスパッキング注意層を提案する。 オフセット学習の受容領域を拡大し、低解像度画像と参照画像との間の空間接続を抽出する能力を高めるために、パッキングとアンパック操作を利用する。 包括的実験により、計算効率と現実的な詳細の両方において、他の最先端手法よりも優れた方法が示される。

関連論文リスト

• 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)
• Learning Weighting Map for Bit-Depth Expansion within a Rational Range [64.15915577164894]
  ビット深化(BDE)は、低ビット深化(LBD)ソースから高ビット深化(HBD)画像を表示する新興技術の1つである。 既存のBDEメソッドは、様々なBDE状況に対して統一的なソリューションを持っていない。 我々は,各画素の重みを求めるためにビット復元ネットワーク(BRNet)を設計し,補充値の比率を合理的範囲内で示す。
  論文  参考訳（メタデータ） (2022-04-26T02:27:39Z)
• FSOINet: Feature-Space Optimization-Inspired Network for Image Compressive Sensing [11.352530132548912]
  本稿では,情報フローのフェーズを特徴空間で段階的に実現し,特徴空間最適化にインスパイアされたネットワーク(FSOINet)を設計する手法を提案する。 実験により、提案したFSOINetは既存の最先端手法よりも、定量的にも定性的にも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-04-12T03:30:22Z)
• Low-light Image Enhancement by Retinex Based Algorithm Unrolling and Adjustment [50.13230641857892]
  本稿では,低照度画像強調(LIE)問題に対する新たなディープラーニングフレームワークを提案する。 提案フレームワークは,大域的明るさと局所的明るさ感度の両方を考慮したアルゴリズムアンロールと調整ネットワークに着想を得た分解ネットワークを含む。 一連の典型的なLIEデータセットの実験では,既存の手法と比較して,定量的かつ視覚的に,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-02-12T03:59:38Z)
• Asymmetric CNN for image super-resolution [102.96131810686231]
  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。
  論文  参考訳（メタデータ） (2021-03-25T07:10:46Z)
• Light Field Reconstruction Using Convolutional Network on EPI and Extended Applications [78.63280020581662]
  スパースビューからの光場再構成のための新しい畳み込みニューラルネットワーク(CNN)ベースのフレームワークを開発した。 最先端のアルゴリズムと比較して,提案フレームワークの高性能と堅牢性を実証する。
  論文  参考訳（メタデータ） (2021-03-24T08:16:32Z)
• An Empirical Method to Quantify the Peripheral Performance Degradation in Deep Networks [18.808132632482103]
  畳み込みニューラルネットワーク(CNN)カーネルは、各畳み込み層に結合する。 より深いネットワークとストライドベースのダウンサンプリングを組み合わせることで、この領域の伝播は、画像の無視できない部分をカバーすることができる。 我々のデータセットは、高解像度の背景にオブジェクトを挿入することで構築され、画像境界に対してターゲットオブジェクトを特定の位置に配置するサブイメージを収穫することができる。 マスクR-CNNの動作を目標位置の選択にわたって探索することにより、画像境界付近、特に画像コーナーにおいて、パフォーマンス劣化の明確なパターンが明らかになる。
  論文  参考訳（メタデータ） (2020-12-04T18:00:47Z)
• Adaptive Fractional Dilated Convolution Network for Image Aesthetics Assessment [33.945579916184364]
  適応型分数拡張畳み込み(AFDC)は、畳み込みカーネルレベルでこの問題に取り組むために開発された。 ミニバッチ学習のための簡潔な定式化を行い,グループ化戦略を用いて計算オーバーヘッドを削減する。 提案手法は,AVAデータセットを用いた画像美学評価において,最先端の性能を実現することを実証した。
  論文  参考訳（メタデータ） (2020-04-06T21:56:29Z)
• 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)
• Adaptive Loss Function for Super Resolution Neural Networks Using Convex Optimization Techniques [24.582559317893274]
  Single Image Super-Resolution (SISR)タスクは、低解像度画像から対応する高解像度画像へのマッピングを学ぶことを指す。 CNNは、画像の高周波成分と低周波成分を学習することを奨励されている。 提案手法は, 画像の細部を復元し, 訓練過程において安定であることを示す。
  論文  参考訳（メタデータ） (2020-01-21T20:31:10Z)

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。