論文の概要: Graph Convolutional Networks in Feature Space for Image Deblurring and Super-resolution

• arxiv url: http://arxiv.org/abs/2105.10465v1
• Date: Fri, 21 May 2021 17:02:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-25 03:21:55.638888
• Title: Graph Convolutional Networks in Feature Space for Image Deblurring and Super-resolution
• Title（参考訳）: 画像分解と超解像のための特徴空間におけるグラフ畳み込みネットワーク
• Authors: Boyan Xu and Hujun Yin
• Abstract要約: グラフ畳み込みを付加した新しいエンコーダデコーダネットワークを提案する。 実験により、画像復元作業のパフォーマンスが著しく向上することが示された。 より多くのアプリケーションにおいて、GCNベースのアプローチの機会が開けると信じています。
• 参考スコア（独自算出の注目度）: 11.531085904098003
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph convolutional networks (GCNs) have achieved great success in dealing with data of non-Euclidean structures. Their success directly attributes to fitting graph structures effectively to data such as in social media and knowledge databases. For image processing applications, the use of graph structures and GCNs have not been fully explored. In this paper, we propose a novel encoder-decoder network with added graph convolutions by converting feature maps to vertexes of a pre-generated graph to synthetically construct graph-structured data. By doing this, we inexplicitly apply graph Laplacian regularization to the feature maps, making them more structured. The experiments show that it significantly boosts performance for image restoration tasks, including deblurring and super-resolution. We believe it opens up opportunities for GCN-based approaches in more applications.
• Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)は、非ユークリッド構造のデータを扱う上で大きな成功を収めた。 彼らの成功は、ソーシャルメディアやナレッジデータベースなどのデータにグラフ構造を効果的に適合させることに直接起因している。 画像処理アプリケーションでは、グラフ構造とGCNの使用が十分に検討されていない。 本稿では,前生成グラフの頂点に特徴マップを変換してグラフ構造データを合成的に構築することで,グラフ畳み込みを加えた新しいエンコーダデコーダネットワークを提案する。 これを行うことで、グラフラプラシアン正則化をフィーチャーマップに適用し、より構造化されます。 実験の結果,分解処理や超解像処理など,画像復元作業のパフォーマンスが著しく向上することがわかった。 より多くのアプリケーションにおいて、GCNベースのアプローチの機会が開けると信じています。

関連論文リスト

• Graph Attention with Random Rewiring [12.409982249220812]
  本稿では,3つのパラダイムの利点を組み合わせた新しいGNNアーキテクチャであるGraph-Rewiring Attention with Structures (GRASS)を紹介する。 GRASSは、ランダムな正規グラフを重畳して入力グラフをリワイヤし、長距離情報伝搬を強化する。 また、グラフ構造化データに適したユニークな付加的なアテンション機構を採用し、計算効率を保ちながらグラフ帰納バイアスを提供する。
  論文  参考訳（メタデータ） (2024-07-08T06:21:56Z)
• Self-Attention Empowered Graph Convolutional Network for Structure Learning and Node Embedding [5.164875580197953]
  グラフ構造化データの表現学習では、多くの人気のあるグラフニューラルネットワーク(GNN)が長距離依存をキャプチャできない。 本稿では,自己注意型グラフ畳み込みネットワーク(GCN-SA)と呼ばれる新しいグラフ学習フレームワークを提案する。 提案手法はノードレベルの表現学習において例外的な一般化能力を示す。
  論文  参考訳（メタデータ） (2024-03-06T05:00:31Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Overcoming Oversmoothness in Graph Convolutional Networks via Hybrid Scattering Networks [11.857894213975644]
  本稿では,従来のGCNフィルタと幾何散乱変換を用いて定義された帯域通過フィルタを組み合わせたハイブリッドグラフニューラルネットワーク(GNN)フレームワークを提案する。 理論的には, グラフからの構造情報を活用するために散乱フィルタの相補的な利点が確立され, 実験では様々な学習課題における手法の利点が示された。
  論文  参考訳（メタデータ） (2022-01-22T00:47:41Z)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
  スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。 本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T17:57:53Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Directed Graph Convolutional Network [15.879411956536885]
  スペクトルベースのグラフ畳み込みを1階と2階の近接を利用して有向グラフに拡張する。 DGCNと呼ばれる新しいGCNモデルは、有向グラフ上で表現を学ぶように設計されている。
  論文  参考訳（メタデータ） (2020-04-29T06:19:10Z)
• Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
  グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。 グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。 本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2020-02-20T10:11:28Z)

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。