論文の概要: Image Super-Resolution via Iterative Refinement
- arxiv url: http://arxiv.org/abs/2104.07636v1
- Date: Thu, 15 Apr 2021 17:50:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-16 15:08:11.811942
- Title: Image Super-Resolution via Iterative Refinement
- Title（参考訳）: Image Super-Resolution by Iterative Refinement
- Authors: Chitwan Saharia, Jonathan Ho, William Chan, Tim Salimans, David J.
Fleet, Mohammad Norouzi
- Abstract要約: SR3は再精製による超解像へのアプローチである。
確率的デノイジング拡散モデルを条件付き画像生成に適応させる。
様々な倍率係数の超分解能タスクに強い性能を示す。
- 参考スコア（独自算出の注目度）: 53.57766722279425
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present SR3, an approach to image Super-Resolution via Repeated
Refinement. SR3 adapts denoising diffusion probabilistic models to conditional
image generation and performs super-resolution through a stochastic denoising
process. Inference starts with pure Gaussian noise and iteratively refines the
noisy output using a U-Net model trained on denoising at various noise levels.
SR3 exhibits strong performance on super-resolution tasks at different
magnification factors, on faces and natural images. We conduct human evaluation
on a standard 8X face super-resolution task on CelebA-HQ, comparing with SOTA
GAN methods. SR3 achieves a fool rate close to 50%, suggesting photo-realistic
outputs, while GANs do not exceed a fool rate of 34%. We further show the
effectiveness of SR3 in cascaded image generation, where generative models are
chained with super-resolution models, yielding a competitive FID score of 11.3
on ImageNet.
- Abstract（参考訳）: 本稿では,再精製による超解像化手法SR3を提案する。
SR3は拡散確率モデルを条件付き画像生成に適用し、確率的復調過程を通じて超解像を行う。
推論は純粋なガウス雑音から始まり、様々なノイズレベルでの雑音化を訓練したu-netモデルを用いて、反復的にノイズ出力を洗練する。
SR3は、顔と自然画像の様々な倍率係数における超解像度タスクに強い性能を示す。
celeba-hqにおける標準8倍面超解像タスクの人間評価を行い,soma gan法との比較を行った。
SR3は50%近い愚かなレートを達成し、写真リアリスティックな出力を示唆する一方、GANは34%の愚かなレートを超えない。
さらに,生成モデルにスーパーレゾリューションモデルが連鎖したカスケード画像生成におけるsr3の有効性を示し,imagenetにおいて11.3の競合fidスコアを得た。
関連論文リスト
- Zero-Shot Image Denoising for High-Resolution Electron Microscopy [28.34992348748098]
高分解能電子顕微鏡(HREM)イメージング技術は、広い範囲の物質を直接リアルタイムに可視化するための強力なツールである。
超低信号対雑音比(SNR)とデータ可用性の不足により、ノイズ除去の課題に直面している。
HREMのためのゼロショット自己教師型学習(ZS-SSL)フレームワークであるNoss2SRを提案する。
論文 参考訳（メタデータ） (2024-06-20T12:40:18Z) - DiSR-NeRF: Diffusion-Guided View-Consistent Super-Resolution NeRF [50.458896463542494]
DiSR-NeRFは、ビュー一貫性を持つ超解像(SR)NeRFのための拡散誘導フレームワークである。
我々は,NeRFの固有多視点整合性により不整合問題を緩和するイテレーティブ3Dシンクロナイゼーション(I3DS)を提案する。
論文 参考訳（メタデータ） (2024-04-01T03:06:23Z) - ACDMSR: Accelerated Conditional Diffusion Models for Single Image
Super-Resolution [84.73658185158222]
本稿では,ACDMSRと呼ばれる拡散モデルに基づく超解像法を提案する。
提案手法は, 決定論的反復分解過程を通じて超解像を行うために, 標準拡散モデルに適応する。
提案手法は,低解像度画像に対してより視覚的に現実的な表現を生成し,現実的なシナリオにおけるその有効性を強調した。
論文 参考訳（メタデータ） (2023-07-03T06:49:04Z) - Waving Goodbye to Low-Res: A Diffusion-Wavelet Approach for Image
Super-Resolution [4.255342416942236]
本稿では、単一画像超解像(SISR)のための新しい拡散ウェーブレット(DiWa)アプローチを提案する。
拡散確率モデル(DDPM)と離散ウェーブレット変換(DWT)の長所を利用する。
DDPMをDWT領域で動作させることで、ウェーブレットスペクトル上の超解像に対する高周波情報を効果的に幻覚する。
論文 参考訳（メタデータ） (2023-04-04T17:52:49Z) - On the Importance of Noise Scheduling for Diffusion Models [8.360383061862844]
拡散生成モデルにおけるノイズスケジューリング手法の効果について検討する。
この簡単なレシピは、ImageNet上の高解像度画像に対して、最先端のピクセルベースの拡散モデルを生成する。
論文 参考訳（メタデータ） (2023-01-26T07:37:22Z) - Group Sparse Coding for Image Denoising [12.684545950979187]
グループスパース表現はGSRにおける画像デブロリングと画像インペインティングにおいて有望な結果を示した[3]
本稿では,GSR[3]モデルに適応するプログレッシブ画像復調アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-12-22T06:25:53Z) - SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。
本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。
提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
論文 参考訳（メタデータ） (2022-06-09T14:00:26Z) - Unsupervised Single Image Super-resolution Under Complex Noise [60.566471567837574]
本稿では,一般のSISRタスクを未知の劣化で扱うためのモデルベースunsupervised SISR法を提案する。
提案手法は, より小さなモデル (0.34M vs. 2.40M) だけでなく, より高速な技術 (SotA) 法 (約1dB PSNR) の現況を明らかに超えることができる。
論文 参考訳（メタデータ） (2021-07-02T11:55:40Z) - Designing a Practical Degradation Model for Deep Blind Image
Super-Resolution [134.9023380383406]
単一画像スーパーレゾリューション (sisr) 法は, 推定劣化モデルが実画像から逸脱した場合はうまく動作しない。
本稿では, ランダムにシャッフルされたブラー, ダウンサンプリング, ノイズ劣化からなる, より複雑で実用的な劣化モデルを提案する。
論文 参考訳（メタデータ） (2021-03-25T17:40:53Z)
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。