Fugu-MT 論文翻訳(概要): VSpSR: Explorable Super-Resolution via Variational Sparse Representation

論文の概要: VSpSR: Explorable Super-Resolution via Variational Sparse Representation

arxiv url: http://arxiv.org/abs/2104.08575v1
Date: Sat, 17 Apr 2021 15:36:24 GMT
ステータス: 処理完了
システム内更新日: 2021-04-20 13:56:22.251167
Title: VSpSR: Explorable Super-Resolution via Variational Sparse Representation
Title（参考訳）: VSpSR: 変分スパース表現による探索可能な超解法
Authors: Hangqi Zhou, Chao Huang, Shangqi Gao, Xiahai Zhuang
Abstract要約: 超解像度 (SR) は、無限に多くの高解像度 (HR) 画像が同じ低解像度 (LR) 画像に分解できるという問題である。ニューラルネットワークを用いたVari Sparseational Framework for Super-Resolution (VSpSR)を開発。
参考スコア（独自算出の注目度）: 15.810502797317502
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Super-resolution (SR) is an ill-posed problem, which means that infinitely many high-resolution (HR) images can be degraded to the same low-resolution (LR) image. To study the one-to-many stochastic SR mapping, we implicitly represent the non-local self-similarity of natural images and develop a Variational Sparse framework for Super-Resolution (VSpSR) via neural networks. Since every small patch of a HR image can be well approximated by the sparse representation of atoms in an over-complete dictionary, we design a two-branch module, i.e., VSpM, to explore the SR space. Concretely, one branch of VSpM extracts patch-level basis from the LR input, and the other branch infers pixel-wise variational distributions with respect to the sparse coefficients. By repeatedly sampling coefficients, we could obtain infinite sparse representations, and thus generate diverse HR images. According to the preliminary results of NTIRE 2021 challenge on learning SR space, our team (FudanZmic21) ranks 7-th in terms of released scores. The implementation of VSpSR is released at https://zmiclab.github.io/.
Abstract（参考訳）: 超解像(SR)は不適切な問題であり、無限に多くの高分解能(HR)画像を同じ低分解能(LR)画像に分解できることを意味する。本研究では,自然画像の局所的自己相似性を暗黙的に表現し,ニューラルネットワークによる超解法(VSpSR)のための変分スパースフレームワークを開発する。 HR画像のすべての小さなパッチは、過剰完全辞書における原子のスパース表現によってうまく近似できるので、SR空間を探索するために2分岐モジュール、すなわちVSpMを設計する。具体的には、VSpMの一方の枝はLR入力からパッチレベル基底を抽出し、他方の枝はスパース係数に対して画素単位の変動分布を推定する。係数を繰り返しサンプリングすることで、無限のスパース表現を得ることができ、それによって多様なHR画像を生成することができる。 NTIRE 2021によるSR空間の学習に関する予備的な結果によると、我々のチーム(FudanZmic21)は、リリーススコアの7番目です。 VSpSRの実装はhttps://zmiclab.github.io/で公開されている。

関連論文リスト

Accelerating Image Super-Resolution Networks with Pixel-Level Classification [29.010136088811137]
Pixel-level for Single Image SuperResolutionは、ピクセルレベルで計算資源を適応的に分配する新しい手法である。提案手法では,再学習を伴わない推論における性能と計算コストのバランスが可能である。
論文参考訳（メタデータ） (2024-07-31T08:53:10Z)
Learning Many-to-Many Mapping for Unpaired Real-World Image Super-resolution and Downscaling [60.80788144261183]
実世界のLR画像とHR画像の双方向多対多マッピングを教師なしで同時に学習するSDFlowと呼ばれる画像ダウンスケーリングとSRモデルを提案する。実世界の画像SRデータセットによる実験結果から,SDFlowは定量的かつ定性的に,多様な現実的なLRとSRの画像を生成可能であることが示唆された。
論文参考訳（メタデータ） (2023-10-08T01:48:34Z)
Towards Lightweight Super-Resolution with Dual Regression Learning [58.98801753555746]
深層ニューラルネットワークは、画像超解像(SR)タスクにおいて顕著な性能を示した。 SR問題は通常不適切な問題であり、既存の手法にはいくつかの制限がある。本稿では、SRマッピングの可能な空間を削減するために、二重回帰学習方式を提案する。
論文参考訳（メタデータ） (2022-07-16T12:46:10Z)
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)
One-to-many Approach for Improving Super-Resolution [0.0]
本稿では,Residual-in-Residual Dense Block (RRDB) 毎に重み付けされた画素単位のノイズを追加することで,生成元が様々な画像を生成することを提案する。我々は、一貫したコンテンツがある限り、再構成された画像の変動をペナルティにしないよう厳格なコンテンツ損失を修正した。我々は,x4知覚的SRにおけるESRGANの性能を改善し,x16知覚的極端SRにおける最先端LPIPSスコアを達成できた。
論文参考訳（メタデータ） (2021-06-19T06:41:29Z)
LAPAR: Linearly-Assembled Pixel-Adaptive Regression Network for Single Image Super-Resolution and Beyond [75.37541439447314]
単一画像超解像(SISR)は、低解像度(LR)画像を高解像度(HR)バージョンにアップサンプリングする根本的な問題を扱う。本稿では,線形組立画素適応回帰ネットワーク (LAPAR) を提案する。
論文参考訳（メタデータ） (2021-05-21T15:47:18Z)
SRDiff: Single Image Super-Resolution with Diffusion Probabilistic Models [19.17571465274627]
単一の画像スーパーリゾリューション(SISR)は、与えられた低リゾリューション(LR)画像から高解像度(HR)画像を再構成することを目的とする。新規な単像超解像拡散確率モデル(SRDiff)を提案する。 SRDiffはデータ可能性の変動境界の変種に最適化されており、多様で現実的なSR予測を提供することができる。
論文参考訳（メタデータ） (2021-04-30T12:31:25Z)
Super-Resolution of Real-World Faces [3.4376560669160394]
実の低解像度 (LR) の顔画像は、変わらず複雑で既知のダウンサンプリングカーネルによってキャプチャされる劣化を含んでいる。本稿では,特徴抽出モジュールがLR画像からロバストな特徴を抽出する2つのモジュール超解像ネットワークを提案する。我々は、劣化GANを訓練し、双対的に縮小されたクリーン画像を実際の劣化画像に変換し、得られた劣化LR画像と、そのクリーンLR画像とを補間する。
論文参考訳（メタデータ） (2020-11-04T17:25:54Z)
Benefiting from Bicubically Down-Sampled Images for Learning Real-World Image Super-Resolution [22.339751911637077]
我々は、この不適切な問題を2つの比較的よく提示されたステップに分割することで、現実世界のSRを扱うことを提案する。まず、実LR画像を教師付きで双対的にダウンサンプリングされた画像の空間に変換するネットワークを訓練する。次に,2次元ダウンサンプル画像に基づいて学習した汎用SRネットワークを用いて,変換されたLR画像の超解像を行う。
論文参考訳（メタデータ） (2020-07-06T20:27:58Z)
Cross-Scale Internal Graph Neural Network for Image Super-Resolution [147.77050877373674]
自然画像における非局所的な自己相似性は、画像修復に有効な先行研究として、よく研究されている。単一の画像超解像(SISR)の場合、既存のディープ非局所法のほとんどは、低解像度(LR)入力画像と同じ規模のパッチしか利用していない。これは、新しいクロススケールな内部グラフニューラルネットワーク(IGNN)を用いて実現される。
論文参考訳（メタデータ） (2020-06-30T10:48:40Z)
Closed-loop Matters: Dual Regression Networks for Single Image Super-Resolution [73.86924594746884]
ディープニューラルネットワークは、画像超解像において有望な性能を示した。これらのネットワークは、低分解能(LR)画像から高分解能(HR)画像への非線形マッピング関数を学習する。本稿では,可能な関数の空間を削減するために,LRデータに新たな制約を導入することで,二重回帰手法を提案する。
論文参考訳（メタデータ） (2020-03-16T04:23:42Z)

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。