論文の概要: Test-Time Adaptation for Super-Resolution: You Only Need to Overfit on a Few More Images

• arxiv url: http://arxiv.org/abs/2104.02663v1
• Date: Tue, 6 Apr 2021 16:50:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-07 14:01:31.754391
• Title: Test-Time Adaptation for Super-Resolution: You Only Need to Overfit on a Few More Images
• Title（参考訳）: スーパーレゾリューションのためのテスト時間適応:あと数枚の画像にオーバーフィットするだけ
• Authors: Mohammad Saeed Rad, Thomas Yu, Behzad Bozorgtabar, Jean-Philippe Thiran
• Abstract要約: 事前訓練されたSRネットワークからHR予測の知覚品質を改善するためのシンプルで普遍的なアプローチを提案します。 知覚品質とPSNR/SSIM値の点で、画像に対する微調整の効果を示します。
• 参考スコア（独自算出の注目度）: 12.846479438896338
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing reference (RF)-based super-resolution (SR) models try to improve perceptual quality in SR under the assumption of the availability of high-resolution RF images paired with low-resolution (LR) inputs at testing. As the RF images should be similar in terms of content, colors, contrast, etc. to the test image, this hinders the applicability in a real scenario. Other approaches to increase the perceptual quality of images, including perceptual loss and adversarial losses, tend to dramatically decrease fidelity to the ground-truth through significant decreases in PSNR/SSIM. Addressing both issues, we propose a simple yet universal approach to improve the perceptual quality of the HR prediction from a pre-trained SR network on a given LR input by further fine-tuning the SR network on a subset of images from the training dataset with similar patterns of activation as the initial HR prediction, with respect to the filters of a feature extractor. In particular, we show the effects of fine-tuning on these images in terms of the perceptual quality and PSNR/SSIM values. Contrary to perceptually driven approaches, we demonstrate that the fine-tuned network produces a HR prediction with both greater perceptual quality and minimal changes to the PSNR/SSIM with respect to the initial HR prediction. Further, we present novel numerical experiments concerning the filters of SR networks, where we show through filter correlation, that the filters of the fine-tuned network from our method are closer to "ideal" filters, than those of the baseline network or a network fine-tuned on random images.
• Abstract（参考訳）: 既存の参照(RF)ベースの超解像(SR)モデルは、テスト時に低分解能(LR)入力と組み合わせた高分解能RF画像の可用性を前提として、SRの知覚品質を改善する。 RF画像は、内容、色、コントラストなどに関して類似すべきである。 テスト画像では、実際のシナリオでの適用性が阻害される。 イメージの知覚的品質を高める他のアプローチ、例えば知覚的損失や敵対的損失は、psnr/ssimの大幅な減少によって、地対面への忠実度を劇的に低下させる傾向がある。 両課題に対処するため,本稿では,特徴抽出器のフィルタに関して,初期HR予測と同様の活性化パターンを持つ訓練データセットから,画像のサブセットにSRネットワークを微調整することにより,所定のLR入力上での事前学習SRネットワークからのHR予測の知覚品質を改善するための,単純かつ普遍的なアプローチを提案する。 特に,知覚的品質とpsnr/ssim値の観点から,これらの画像に対する微調整の効果を示す。 知覚的に駆動されるアプローチとは対照的に、細調整されたネットワークは、知覚的品質とPSNR/SSIMの変更を最小限に抑えたHR予測を生成する。 さらに, SRネットワークのフィルタに関する新しい数値実験を行い, フィルタ相関により, 提案手法から得られた細調整ネットワークのフィルタが, ベースラインネットワークやランダムな画像に微調整されたネットワークのフィルタよりも「理想的」フィルタに近いことを示す。

関連論文リスト

• HF-Diff: High-Frequency Perceptual Loss and Distribution Matching for One-Step Diffusion-Based Image Super-Resolution [0.0]
  我々は、ImageNetデータセット上で事前訓練された可逆ニューラルネットワーク(INN)を利用して、高周波の知覚損失を導入する。 トレーニング期間中,我々は超解像および基底真理(GT)画像の高周波特性の保存を強制する。 我々は、RealSR、RealSet65、DIV2K-Val、ImageNetデータセットで最先端のCLIPIQAスコアを得る。
  論文  参考訳（メタデータ） (2024-11-20T18:56:24Z)
• 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)
• Frequency-Aware Physics-Inspired Degradation Model for Real-World Image Super-Resolution [18.328806055594576]
  両光およびセンサ劣化を考慮した実世界の物理インスパイアされた劣化モデルについて定式化する。 我々は、畳み込みニューラルネットワーク(CNN)を用いて、現実世界の劣化過程の遮断周波数を学習することを提案する。 異なる撮像システムで撮像した実世界の画像に対して,提案した劣化モデルの有効性と一般化能力を評価する。
  論文  参考訳（メタデータ） (2021-11-05T07:30:00Z)
• Hierarchical Conditional Flow: A Unified Framework for Image Super-Resolution and Image Rescaling [139.25215100378284]
  画像SRと画像再スケーリングのための統合フレームワークとして階層的条件フロー(HCFlow)を提案する。 HCFlowは、LR画像と残りの高周波成分の分布を同時にモデル化することにより、HRとLR画像ペア間のマッピングを学習する。 さらに性能を高めるために、知覚的損失やGAN損失などの他の損失と、トレーニングで一般的に使用される負の対数類似損失とを組み合わせる。
  論文  参考訳（メタデータ） (2021-08-11T16:11:01Z)
• Perception Consistency Ultrasound Image Super-resolution via Self-supervised CycleGAN [63.49373689654419]
  自己スーパービジョンとサイクル生成対向ネットワーク(CycleGAN)に基づく新しい知覚整合超音波画像超解像法を提案する。 まず,検査用超音波LR画像のHR父子とLR子を画像強調により生成する。 次に、LR-SR-LRとHR-LR-SRのサイクル損失と判別器の対角特性をフル活用して、より知覚的に一貫性のあるSR結果を生成する。
  論文  参考訳（メタデータ） (2020-12-28T08:24:04Z)
• Frequency Consistent Adaptation for Real World Super Resolution [64.91914552787668]
  実シーンにスーパーリゾリューション(SR)法を適用する際に周波数領域の整合性を保証する新しい周波数一貫性適応(FCA)を提案する。 監視されていない画像から劣化カーネルを推定し、対応するLow-Resolution (LR)画像を生成する。 ドメイン一貫性のあるLR-HRペアに基づいて、容易に実装可能な畳み込みニューラルネットワーク(CNN)SRモデルを訓練する。
  論文  参考訳（メタデータ） (2020-12-18T08:25:39Z)
• Perceptually Optimizing Deep Image Compression [53.705543593594285]
  平均二乗誤差(MSE)と$ell_p$ノルムは、ニューラルネットワークの損失の測定で大きく支配されている。 本稿では,定量的知覚モデルに対して,画像解析ネットワークを最適化するための異なるプロキシ手法を提案する。
  論文  参考訳（メタデータ） (2020-07-03T14:33:28Z)
• Iterative Network for Image Super-Resolution [69.07361550998318]
  単一画像超解像(SISR)は、最近の畳み込みニューラルネットワーク(CNN)の発展により、大幅に活性化されている。 本稿では、従来のSISRアルゴリズムに関する新たな知見を提供し、反復最適化に依存するアプローチを提案する。 反復最適化の上に,新しい反復型超解像ネットワーク (ISRN) を提案する。
  論文  参考訳（メタデータ） (2020-05-20T11:11:47Z)
• Unpaired Image Super-Resolution using Pseudo-Supervision [12.18340575383456]
  生成逆数ネットワークを用いた非対位画像超解像(SR)手法を提案する。 我々のネットワークは、未ペアカーネル/ノイズ補正ネットワークと擬ペアSRネットワークで構成されている。 多様なデータセットに対する実験により,提案手法は未ペアSR問題に対する既存の解よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-02-26T10:30:52Z)
• Fast Adaptation to Super-Resolution Networks via Meta-Learning [24.637337634643885]
  本研究では、従来のSRネットワークのアーキテクチャを変更することなく、SISRの性能をさらに向上する機会を観察する。 トレーニング段階では,メタラーニングによりネットワークをトレーニングし,テスト時に任意の入力画像に迅速に適応させることができる。 提案手法は,様々なベンチマークSRデータセット上での従来のSRネットワークの性能を一貫して向上することを示す。
  論文  参考訳（メタデータ） (2020-01-09T09:59:02Z)

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。