論文の概要: Noise Conditional Flow Model for Learning the Super-Resolution Space

• arxiv url: http://arxiv.org/abs/2106.04428v1
• Date: Sun, 6 Jun 2021 07:43:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-13 20:56:27.749049
• Title: Noise Conditional Flow Model for Learning the Super-Resolution Space
• Title（参考訳）: 超解像空間学習のための騒音条件流れモデル
• Authors: Younggeun Kim, Donghee Son
• Abstract要約: 超解法におけるノイズ条件流モデルNCSRは、画像の視覚的品質と多様性を高める。 NCSRは,従来のGANモデルよりも,多様性と視覚的品質が向上し,視覚的品質が向上することを示す。
• 参考スコア（独自算出の注目度）: 8.130080378039601
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fundamentally, super-resolution is ill-posed problem because a low-resolution image can be obtained from many high-resolution images. Recent studies for super-resolution cannot create diverse super-resolution images. Although SRFlow tried to account for ill-posed nature of the super-resolution by predicting multiple high-resolution images given a low-resolution image, there is room to improve the diversity and visual quality. In this paper, we propose Noise Conditional flow model for Super-Resolution, NCSR, which increases the visual quality and diversity of images through noise conditional layer. To learn more diverse data distribution, we add noise to training data. However, low-quality images are resulted from adding noise. We propose the noise conditional layer to overcome this phenomenon. The noise conditional layer makes our model generate more diverse images with higher visual quality than other works. Furthermore, we show that this layer can overcome data distribution mismatch, a problem that arises in normalizing flow models. With these benefits, NCSR outperforms baseline in diversity and visual quality and achieves better visual quality than traditional GAN-based models. We also get outperformed scores at NTIRE 2021 challenge.
• Abstract（参考訳）: 多くの高分解能画像から低分解能画像を得ることができるため、基本的に超解像は不適切な問題である。 近年の超解像研究では、様々な超解像画像が作成できない。 SRFlowは、低解像度画像の複数の高解像度画像を予測することで、超高解像度の誤った性質を説明しようとしたが、多様性と視覚的品質を改善する余地がある。 本稿では,超解像のためのノイズ条件フローモデルであるncsrを提案する。 より多様なデータ分布を学習するために、トレーニングデータにノイズを加えます。 しかし、低画質の画像はノイズの増加によって生じる。 この現象を克服するための雑音条件層を提案する。 ノイズ条件層により、我々のモデルは、他の作品よりも視覚的品質の高い、より多様な画像を生成する。 さらに,この層は,フローモデルの正規化時に発生するデータ分散ミスマッチを克服できることを示した。 これらの利点により、NCSRは多様性と視覚的品質のベースラインを上回り、従来のGANモデルよりも優れた視覚的品質を達成する。 また、ntire 2021 challengeのスコアを上回っています。

関連論文リスト

• Efficient Conditional Diffusion Model with Probability Flow Sampling for Image Super-resolution [35.55094110634178]
  画像超解像のための確率フローサンプリングを用いた効率的な条件拡散モデルを提案する。 提案手法は,既存の拡散型画像超解像法よりも高画質化を実現している。
  論文  参考訳（メタデータ） (2024-04-16T16:08:59Z)
• Domain Transfer in Latent Space (DTLS) Wins on Image Super-Resolution -- a Non-Denoising Model [13.326634982790528]
  本稿では,ガウス雑音から逃れる単純な手法を提案するが,画像超解像のための拡散モデルの基本構造を採用する。 実験結果から,本手法は最先端の大規模超解像モデルだけでなく,画像超解像に対する現在の拡散モデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-11-04T09:57:50Z)
• Towards High-quality HDR Deghosting with Conditional Diffusion Models [88.83729417524823]
  高ダイナミックレンジ(LDR)画像は、既存のディープニューラルネットワーク(DNN)技術により、複数の低ダイナミックレンジ(LDR)画像から復元することができる。 DNNは、LDR画像が飽和度と大きな動きを持つ場合、ゴーストアーティファクトを生成する。 拡散モデルの条件としてLDR特徴を利用する画像生成としてHDRデゴースト問題を定式化する。
  論文  参考訳（メタデータ） (2023-11-02T01:53:55Z)
• 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)
• 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)
• FS-NCSR: Increasing Diversity of the Super-Resolution Space via Frequency Separation and Noise-Conditioned Normalizing Flow [12.58203406442855]
  周波数分離とノイズ条件付けを用いた多種多様な高品質超解像出力を実現するFS-NCSRを提案する。 FS-NCSRは、以前のNTIRE 2021チャレンジの勝者であるNCSRと比較して、画像品質を著しく低下させることなく、多様性のスコアを著しく改善する。
  論文  参考訳（メタデータ） (2022-04-20T06:44:56Z)
• Image Super-Resolution via Iterative Refinement [53.57766722279425]
  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。
  論文  参考訳（メタデータ） (2021-04-15T17:50:42Z)
• 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)
• SRFlow: Learning the Super-Resolution Space with Normalizing Flow [176.07982398988747]
  超解像度は、与えられた低解像度画像の複数の予測を可能にするため、不適切な問題である。 出力の条件分布を学習できる正規化フローベース超解法SRFlowを提案する。 我々のモデルは、単一損失、すなわち負のログ類似度を用いて、原則的に訓練されている。
  論文  参考訳（メタデータ） (2020-06-25T06:34:04Z)

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。