論文の概要: Feedback Network for Mutually Boosted Stereo Image Super-Resolution and Disparity Estimation

• arxiv url: http://arxiv.org/abs/2106.00985v1
• Date: Wed, 2 Jun 2021 07:05:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-04 06:10:38.047046
• Title: Feedback Network for Mutually Boosted Stereo Image Super-Resolution and Disparity Estimation
• Title（参考訳）: 相互増強ステレオ画像の超解像化と差分推定のためのフィードバックネットワーク
• Authors: Qinyan Dai, Juncheng Li, Qiaosi Yi, Faming Fang and Guixu Zhang
• Abstract要約: ステレオ設定では、画像超解像(SR)と不均一推定の問題が相互に関連している。 我々はSSRDE-FNet(Sreo Super-Resolution and Disparity Estimation Feedback Network)を提案する。 SSRDE-FNetは、統合されたフレームワークにおいて、ステレオ画像の超解像と不均一性推定を同時に処理する。
• 参考スコア（独自算出の注目度）: 30.756300432278323
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Under stereo settings, the problem of image super-resolution (SR) and disparity estimation are interrelated that the result of each problem could help to solve the other. The effective exploitation of correspondence between different views facilitates the SR performance, while the high-resolution (HR) features with richer details benefit the correspondence estimation. According to this motivation, we propose a Stereo Super-Resolution and Disparity Estimation Feedback Network (SSRDE-FNet), which simultaneously handles the stereo image super-resolution and disparity estimation in a unified framework and interact them with each other to further improve their performance. Specifically, the SSRDE-FNet is composed of two dual recursive sub-networks for left and right views. Besides the cross-view information exploitation in the low-resolution (LR) space, HR representations produced by the SR process are utilized to perform HR disparity estimation with higher accuracy, through which the HR features can be aggregated to generate a finer SR result. Afterward, the proposed HR Disparity Information Feedback (HRDIF) mechanism delivers information carried by HR disparity back to previous layers to further refine the SR image reconstruction. Extensive experiments demonstrate the effectiveness and advancement of SSRDE-FNet.
• Abstract（参考訳）: ステレオ設定では、画像超解像(SR)と不均一性推定の問題は、各問題の結果が他方の解決に役立つように相互に関連している。 異なるビュー間の対応を効果的に活用することでsrの性能が向上する一方、より詳細な高分解能(hr)特徴は対応推定に有用である。 このモチベーションに基づき,ステレオ画像の超解像と不均質推定を同時に処理し,それらを相互に相互作用させて性能を向上するステレオ超解像・不均質推定フィードバックネットワーク(SSRDE-FNet)を提案する。 具体的には、SSRDE-FNetは左右のビューのための2つの二重再帰サブネットワークで構成されている。 低分解能(LR)空間におけるクロスビュー情報利用に加えて、SRプロセスによって生成されたHR表現を利用して、HR特徴を集約してより微細なSR結果を生成することができる高精度なHR不均質推定を行う。 その後、提案したHR Disparity Information Feedback (HRDIF) メカニズムは、HR Disparityによって運ばれた情報を以前のレイヤに返却し、SR画像再構成をさらに洗練する。 大規模な実験はSSRDE-FNetの有効性と進歩を示す。

関連論文リスト

• UnmixingSR: Material-aware Network with Unsupervised Unmixing as Auxiliary Task for Hyperspectral Image Super-resolution [5.167168688234238]
  本論文では、UnmixingSRと呼ばれる、コンポーネント対応ハイパースペクトル画像(HIS)超解像ネットワークを提案する。 我々は、SR問題の解法における方法の安定性を高めるために、LR量とHR量との結合を用いる。 実験結果から,SR問題に組み込まれた補助的タスクとしてのアンミックスプロセスが実現可能で合理的であることが示唆された。
  論文  参考訳（メタデータ） (2024-07-09T03:41:02Z)
• Perception- and Fidelity-aware Reduced-Reference Super-Resolution Image Quality Assessment [25.88845910499606]
  PFIQA(Pual-branch reduce-reference SR-IQA network, ie, Perception- and Fidelity-aware SR-IQA)を提案する。 PFIQAは3つの広く使用されているSR-IQAベンチマークで現在の最先端モデルを上回っている。
  論文  参考訳（メタデータ） (2024-05-15T16:09:22Z)
• Reference-based Image and Video Super-Resolution via C2-Matching [100.0808130445653]
  本稿では,C2-Matchingを提案する。 C2-Matchingは、標準的なCUFED5ベンチマークにおいて、最先端のアーツを著しく上回っている。 また、類似シーンで撮影された画像がHR参照画像として機能するため、C2-Matchingを参照ベースでビデオスーパーリゾリューションタスクに拡張する。
  論文  参考訳（メタデータ） (2022-12-19T16:15:02Z)
• Learning Detail-Structure Alternative Optimization for Blind Super-Resolution [69.11604249813304]
  そこで我々は,ブラインドSRに先立ってカーネルを曖昧にすることなく,再帰的な詳細構造代替最適化を実現する,有効かつカーネルフリーなネットワークDSSRを提案する。 DSSRでは、細部構造変調モジュール(DSMM)が構築され、画像の詳細と構造の相互作用と協調を利用する。 本手法は既存の手法に対して最先端の手法を実現する。
  論文  参考訳（メタデータ） (2022-12-03T14:44:17Z)
• 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)
• Memory-augmented Deep Unfolding Network for Guided Image Super-resolution [67.83489239124557]
  誘導画像超解像(GISR)は、HR画像の誘導の下で低解像度(LR)目標画像の空間分解能を高めて高解像度(HR)目標画像を得る。 従来のモデルベース手法は主に画像全体を取り、HR目標画像とHRガイダンス画像との事前分布を仮定する。 HR目標画像上で2種類の事前性を持つGISRの最大後部(MAP)推定モデルを提案する。
  論文  参考訳（メタデータ） (2022-02-12T15:37:13Z)
• MASA-SR: Matching Acceleration and Spatial Adaptation for Reference-Based Image Super-Resolution [74.24676600271253]
  本稿では、RefSRのためのMASAネットワークを提案し、これらの問題に対処するために2つの新しいモジュールを設計する。 提案したMatch & extract Moduleは、粗大な対応マッチング方式により計算コストを大幅に削減する。 空間適応モジュールは、LR画像とRef画像の分布の差を学習し、Ref特徴の分布を空間適応的にLR特徴の分布に再マップする。
  論文  参考訳（メタデータ） (2021-06-04T07:15:32Z)
• Robust Reference-based Super-Resolution via C2-Matching [77.51610726936657]
  超解像(Ref-SR)は、最近、高分解能(HR)参照画像を導入して、低分解能(LR)入力画像を強化するための有望なパラダイムとして登場した。 既存のRef-SR法は主に暗黙の対応に頼り、参照画像からHRテクスチャを借用し、入力画像の情報損失を補う。 本稿では,C2-Matchingを提案する。
  論文  参考訳（メタデータ） (2021-06-03T16:40:36Z)

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。