Fugu-MT 論文翻訳(概要): TWIST-GAN: Towards Wavelet Transform and Transferred GAN for Spatio-Temporal Single Image Super Resolution

論文の概要: TWIST-GAN: Towards Wavelet Transform and Transferred GAN for Spatio-Temporal Single Image Super Resolution

arxiv url: http://arxiv.org/abs/2104.10268v1
Date: Tue, 20 Apr 2021 22:12:38 GMT
ステータス: 処理完了
システム内更新日: 2021-04-23 01:02:30.726446
Title: TWIST-GAN: Towards Wavelet Transform and Transferred GAN for Spatio-Temporal Single Image Super Resolution
Title（参考訳）: TWIST-GAN:時空間超解像のためのウェーブレット変換と転送GAN
Authors: Fayaz Ali Dharejo, Farah Deeba, Yuanchun Zhou, Bhagwan Das, Munsif Ali Jatoi, Muhammad Zawish, Yi Du, and Xuezhi Wang
Abstract要約: 単一画像スーパーレゾリューション(sisr)は、空間解像度の低いリモートセンシング画像から、微細な空間解像度を持つ高解像度画像を生成する。深層学習とGAN(Generative Adversarial Network)は、単一画像超解像(SISR)の課題を突破した。
参考スコア（独自算出の注目度）: 4.622977798361014
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Single Image Super-resolution (SISR) produces high-resolution images with fine spatial resolutions from aremotely sensed image with low spatial resolution. Recently, deep learning and generative adversarial networks(GANs) have made breakthroughs for the challenging task of single image super-resolution (SISR). However, thegenerated image still suffers from undesirable artifacts such as, the absence of texture-feature representationand high-frequency information. We propose a frequency domain-based spatio-temporal remote sensingsingle image super-resolution technique to reconstruct the HR image combined with generative adversarialnetworks (GANs) on various frequency bands (TWIST-GAN). We have introduced a new method incorporatingWavelet Transform (WT) characteristics and transferred generative adversarial network. The LR image hasbeen split into various frequency bands by using the WT, whereas, the transfer generative adversarial networkpredicts high-frequency components via a proposed architecture. Finally, the inverse transfer of waveletsproduces a reconstructed image with super-resolution. The model is first trained on an external DIV2 Kdataset and validated with the UC Merceed Landsat remote sensing dataset and Set14 with each image sizeof 256x256. Following that, transferred GANs are used to process spatio-temporal remote sensing images inorder to minimize computation cost differences and improve texture information. The findings are comparedqualitatively and qualitatively with the current state-of-art approaches. In addition, we saved about 43% of theGPU memory during training and accelerated the execution of our simplified version by eliminating batchnormalization layers.
Abstract（参考訳）: シングルイメージ・スーパーレゾリューション(sisr)は、低空間解像度の画像から微細な空間解像度を持つ高解像度画像を生成する。近年,GAN(Deep Learning and Generative Adversarial Network)は,単一画像超解像(SISR)の課題を突破した。しかし、生成された画像は、テクスチャの特徴表現や高周波情報がないなど、いまだに望ましくないアーティファクトに苦しんでいる。本稿では,様々な周波数帯域(TWIST-GAN)上のGAN(Generative Adversarialnetworks)と組み合わせてHRイメージを再構成する,周波数領域に基づく時空間リモートセンシング技術を提案する。我々は,Wavelet Transform (WT) 特性と変換対向ネットワークを取り入れた新しい手法を導入した。 LR画像はWTを用いて様々な周波数帯域に分割するが、転送生成逆ネットワークは提案アーキテクチャにより高周波成分を予測する。最後に、ウェーブレットの逆転送は超高解像度で再構成された画像を生成する。モデルはまず外部のDIV2 Kdatasetでトレーニングされ、UC Merceed LandsatリモートセンシングデータセットとSet14で256x256の画像サイズで検証される。その後、転送されたGANを用いて時空間リモートセンシング画像を順番に処理し、計算コストの差を最小化し、テクスチャ情報を改善する。調査結果は、現在の最先端のアプローチと比較され、定性的に比較される。さらに、トレーニング中にGPUメモリの約43%を節約し、バッチ正規化レイヤを排除して、単純化したバージョンの実行を加速しました。

関連論文リスト

Riesz-Quincunx-UNet Variational Auto-Encoder for Satellite Image Denoising [0.0]
衛星画像のノイズ低減に使用される画像および時系列分解のためのハイブリッドRQUNet-VAE方式を提案する。また,本手法をマルチバンド衛星画像に適用し,画像の分解,画像分割,拡散による時系列分解,画像分割などを行う。
論文参考訳（メタデータ） (2022-08-25T19:51:07Z)
Transformer-based SAR Image Despeckling [53.99620005035804]
本稿では,SAR画像復号化のためのトランスフォーマーネットワークを提案する。提案する非特定ネットワークは、トランスフォーマーベースのエンコーダにより、異なる画像領域間のグローバルな依存関係を学習することができる。実験により,提案手法は従来型および畳み込み型ニューラルネットワークに基づく解法よりも大幅に改善されていることが示された。
論文参考訳（メタデータ） (2022-01-23T20:09:01Z)
FreqNet: A Frequency-domain Image Super-Resolution Network with Dicrete Cosine Transform [16.439669339293747]
単一画像超解像(SISR)は低分解能(LR)入力から高分解能(HR)出力を得ることを目的とした不適切な問題である。高ピーク信号-雑音比(PSNR)の結果にもかかわらず、モデルが望まれる高周波の詳細を正しく付加するかどうかを判断することは困難である。本稿では、周波数領域の観点から直感的なパイプラインであるFreqNetを提案し、この問題を解決する。
論文参考訳（メタデータ） (2021-11-21T11:49:12Z)
Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文参考訳（メタデータ） (2021-08-19T11:02:25Z)
Multi-Attention Generative Adversarial Network for Remote Sensing Image Super-Resolution [17.04588012373861]
画像超解像(SR)法では,空間分解能の高いリモートセンシング画像を生成することができる。本稿では,GAN(Generative Adversarial Network)に基づく高解像度リモートセンシング画像を生成するネットワークを提案する。
論文参考訳（メタデータ） (2021-07-14T08:06:19Z)
Deep Unfolded Recovery of Sub-Nyquist Sampled Ultrasound Image [94.42139459221784]
本稿では,ISTAアルゴリズムの展開に基づく時空間領域におけるサブNyquistサンプルからの再構成手法を提案する。本手法は,高品質な撮像性能を確保しつつ,配列要素数,サンプリングレート,計算時間を削減できる。
論文参考訳（メタデータ） (2021-03-01T19:19:38Z)
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)
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)
Hyperspectral Image Super-resolution via Deep Progressive Zero-centric Residual Learning [62.52242684874278]
空間情報とスペクトル情報の相互モダリティ分布が問題となる。本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
論文参考訳（メタデータ） (2020-06-18T06:32:11Z)
Deep Generative Adversarial Residual Convolutional Networks for Real-World Super-Resolution [31.934084942626257]
我々は,超解像残差畳み込み生成共役ネットワーク(SRResCGAN)を提案する。これは、生成したLRドメインからHRドメインの画素単位の監督でモデルを逆トレーニングすることで、現実世界の劣化設定に従う。提案するネットワークは,画像の高精細化と凸最適化によるエネルギーベース目的関数の最小化により,残差学習を利用する。
論文参考訳（メタデータ） (2020-05-03T00:12:38Z)
Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
論文参考訳（メタデータ） (2020-03-15T11:04:30Z)

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。