Fugu-MT 論文翻訳(概要): Deep Hierarchical Super-Resolution for Scientific Data Reduction and Visualization

論文の概要: Deep Hierarchical Super-Resolution for Scientific Data Reduction and Visualization

arxiv url: http://arxiv.org/abs/2107.00462v1
Date: Sun, 30 May 2021 18:32:11 GMT
ステータス: 処理完了
システム内更新日: 2021-07-04 19:33:44.879369
Title: Deep Hierarchical Super-Resolution for Scientific Data Reduction and Visualization
Title（参考訳）: 科学的データ削減と可視化のための階層的超解法
Authors: Skylar W. Wurster, Han-Wei Shen, Hanqi Guo, Thomas Peterka, Mukund Raj, and Jiayi Xu
Abstract要約: 我々は,オクツリーデータ表現上のニューラルネットワークを用いた階層的超解像(SR)に対するアプローチを提案する。ニューラルネットワークの階層構造をトレーニングし、それぞれの空間次元を2段階のディテールで2倍のアップスケーリングを可能にします。我々は,これらのネットワークを,オクツリーノード境界にシームアーティファクトを導入することなく,マルチレゾリューションデータを一様に高分解能にスケールアップする階層的超分解能アルゴリズムで活用する。
参考スコア（独自算出の注目度）: 11.095493889344317
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present an approach for hierarchical super resolution (SR) using neural networks on an octree data representation. We train a hierarchy of neural networks, each capable of 2x upscaling in each spatial dimension between two levels of detail, and use these networks in tandem to facilitate large scale factor super resolution, scaling with the number of trained networks. We utilize these networks in a hierarchical super resolution algorithm that upscales multiresolution data to a uniform high resolution without introducing seam artifacts on octree node boundaries. We evaluate application of this algorithm in a data reduction framework by dynamically downscaling input data to an octree-based data structure to represent the multiresolution data before compressing for additional storage reduction. We demonstrate that our approach avoids seam artifacts common to multiresolution data formats, and show how neural network super resolution assisted data reduction can preserve global features better than compressors alone at the same compression ratios.
Abstract（参考訳）: 我々は,オクツリーデータ表現上のニューラルネットワークを用いた階層的超解像(SR)に対するアプローチを提案する。ニューラルネットワークの階層をトレーニングし,それぞれの空間次元において2倍のスケールアップが可能で,これらのネットワークをタンデムで使用することで,大規模ファクタのスーパーレゾリューションを実現し,トレーニングされたネットワークの数をスケールする。我々はこれらのネットワークを,オクツリーノード境界にシームアーティファクトを導入することなく,マルチ解像度データを一様高解像度にスケールアップする階層的超解法アルゴリズムで利用する。本稿では,入力データをoctreeベースのデータ構造に動的にスケールダウンして,圧縮前のマルチレゾリューションデータを表現することにより,データ削減フレームワークにおけるこのアルゴリズムの適用を評価する。提案手法は,マルチレゾリューションデータ形式に共通するSeamアーチファクトを回避し,ニューラルネットワークによる超解像支援データ削減が,圧縮機単独で同じ圧縮比でグローバルな特徴を保てることを示す。

関連論文リスト

Decoupling Fine Detail and Global Geometry for Compressed Depth Map Super-Resolution [55.9977636042469]
ビット深度圧縮は、微妙な変化のある領域で均一な深度表現を生成し、詳細情報の回復を妨げる。密集したランダムノイズは、シーンのグローバルな幾何学的構造を推定する精度を低下させる。圧縮深度マップ超解像のための新しいフレームワークGDNetを提案する。
論文参考訳（メタデータ） (2024-11-05T16:37:30Z)
Improved distinct bone segmentation in upper-body CT through multi-resolution networks [0.39583175274885335]
上半身CTと異なる骨分画では、大きな視野と計算的な3Dアーキテクチャが必要とされる。これにより、空間的コンテキストの欠如により、細部や局所的な誤差を欠いた低解像度な結果が得られる。本稿では,異なる解像度で動作する複数の3次元U-Netを組み合わせたエンドツーエンドのトレーニング可能なセグメンテーションネットワークを提案する。
論文参考訳（メタデータ） (2023-01-31T14:46:16Z)
RDRN: Recursively Defined Residual Network for Image Super-Resolution [58.64907136562178]
深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像において顕著な性能を得た。本稿では,注目ブロックを効率的に活用する新しいネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-11-17T11:06:29Z)
Pyramid Grafting Network for One-Stage High Resolution Saliency Detection [29.013012579688347]
我々は、異なる解像度画像から特徴を独立して抽出する、Praamid Grafting Network (PGNet) と呼ばれるワンステージフレームワークを提案する。 CNNブランチが壊れた詳細情報をよりホモロジーに組み合わせられるように、アテンションベースのクロスモデルグラフティングモジュール (CMGM) が提案されている。我々は,4K-8K解像度で5,920個の画像を含む超高分解能塩度検出データセットUHRSDを新たに提供した。
論文参考訳（メタデータ） (2022-04-11T12:22:21Z)
ME-CapsNet: A Multi-Enhanced Capsule Networks with Routing Mechanism [0.0]
本研究は,各層の受容領域内の空間成分とチャネル成分の両面を高度に最適化する,新たなソリューションの実現に焦点をあてる。我々は, カプセル層を戦略的に通過する前に重要な特徴を抽出するために, より深い畳み込み層を導入し, ME-CapsNetを提案する。より深い畳み込み層にはSqueeze-Excitationネットワークのブロックが含まれており、重要な特徴情報を失うことなく、サンプリングアプローチを使用して相互依存関係を再構築する。
論文参考訳（メタデータ） (2022-03-29T13:29:38Z)
Deep Networks for Image and Video Super-Resolution [30.75380029218373]
単一画像超解像(SISR)は、MDCB(Mixed-Dense connection block)と呼ばれる効率的な畳み込みユニットを用いて構築される。ネットワークの2つのバージョンをトレーニングし、異なる損失構成を用いて相補的な画像品質を向上させる。ネットワークは複数のフレームから情報を集約し,時間的整合性を維持するために学習する。
論文参考訳（メタデータ） (2022-01-28T09:15:21Z)
Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
論文参考訳（メタデータ） (2020-09-08T13:10:21Z)
OverNet: Lightweight Multi-Scale Super-Resolution with Overscaling Network [3.6683231417848283]
SISRを任意のスケールで1つのモデルで解くための,深層でも軽量な畳み込みネットワークであるOverNetを紹介した。我々のネットワークは、従来の手法よりも少ないパラメータを使用しながら、標準ベンチマークにおいて、過去の最先端結果よりも優れていることを示す。
論文参考訳（メタデータ） (2020-08-05T22:10:29Z)
Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral Super-Resolution [79.97180849505294]
本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。 3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
論文参考訳（メタデータ） (2020-07-10T08:08:20Z)
DC-NAS: Divide-and-Conquer Neural Architecture Search [108.57785531758076]
本稿では,ディープ・ニューラル・アーキテクチャーを効果的かつ効率的に探索するためのディバイド・アンド・コンカ(DC)手法を提案する。 ImageNetデータセットで75.1%の精度を達成しており、これは同じ検索空間を使った最先端の手法よりも高い。
論文参考訳（メタデータ） (2020-05-29T09:02:16Z)
Spatial-Spectral Residual Network for Hyperspectral Image Super-Resolution [82.1739023587565]
ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
論文参考訳（メタデータ） (2020-01-14T03:34:55Z)

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。