Fugu-MT 論文翻訳(概要): A Deep Residual Star Generative Adversarial Network for multi-domain Image Super-Resolution

論文の概要: A Deep Residual Star Generative Adversarial Network for multi-domain Image Super-Resolution

arxiv url: http://arxiv.org/abs/2107.03145v1
Date: Wed, 7 Jul 2021 11:15:17 GMT
ステータス: 処理完了
システム内更新日: 2021-07-08 20:42:54.898484
Title: A Deep Residual Star Generative Adversarial Network for multi-domain Image Super-Resolution
Title（参考訳）: 多領域画像超解像のための深層残留星生成逆ネットワーク
Authors: Rao Muhammad Umer, Asad Munir, Christian Micheloni
Abstract要約: Super-Resolution Residual StarGAN (SR2*GAN) は、単一のモデルのみを用いて複数のLRドメインのLR画像を超解する、新しくスケーラブルなアプローチである。提案手法は,他の最先端手法と比較して定量的,定性的実験において有効であることを示す。
参考スコア（独自算出の注目度）: 21.39772242119127
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recently, most of state-of-the-art single image super-resolution (SISR) methods have attained impressive performance by using deep convolutional neural networks (DCNNs). The existing SR methods have limited performance due to a fixed degradation settings, i.e. usually a bicubic downscaling of low-resolution (LR) image. However, in real-world settings, the LR degradation process is unknown which can be bicubic LR, bilinear LR, nearest-neighbor LR, or real LR. Therefore, most SR methods are ineffective and inefficient in handling more than one degradation settings within a single network. To handle the multiple degradation, i.e. refers to multi-domain image super-resolution, we propose a deep Super-Resolution Residual StarGAN (SR2*GAN), a novel and scalable approach that super-resolves the LR images for the multiple LR domains using only a single model. The proposed scheme is trained in a StarGAN like network topology with a single generator and discriminator networks. We demonstrate the effectiveness of our proposed approach in quantitative and qualitative experiments compared to other state-of-the-art methods.
Abstract（参考訳）: 近年,最先端のsingle image super- resolution (sisr) 法の多くが,深層畳み込みニューラルネットワーク (dcnns) を用いて見事な性能を達成している。既存のSR法は、固定された劣化設定、すなわち、性能が制限されている。通常、低解像度(LR)画像のバイコビックダウンスケーリング。しかし、現実の環境では、バイコビックLR、双線形LR、最も近い隣のLR、または実LRとなるLR劣化過程は未知である。したがって、ほとんどのSR手法は1つのネットワーク内で複数の劣化設定を扱うのに非効率で非効率である。多重劣化に対処するため、すなわち、マルチドメイン画像の超解像を参照し、単一モデルのみを用いて複数のLR領域に対してLR画像の超解像を超解像する新鮮でスケーラブルなアプローチである、深層超解像残差StarGAN(SR2*GAN)を提案する。提案手法は1つのジェネレータと識別器ネットワークでStarGANのようなネットワークトポロジーで訓練される。定量的・定性的実験における提案手法の有効性を他の最先端手法と比較して実証する。

関連論文リスト

Learning Many-to-Many Mapping for Unpaired Real-World Image Super-resolution and Downscaling [60.80788144261183]
実世界のLR画像とHR画像の双方向多対多マッピングを教師なしで同時に学習するSDFlowと呼ばれる画像ダウンスケーリングとSRモデルを提案する。実世界の画像SRデータセットによる実験結果から,SDFlowは定量的かつ定性的に,多様な現実的なLRとSRの画像を生成可能であることが示唆された。
論文参考訳（メタデータ） (2023-10-08T01:48:34Z)
Real-World Image Super Resolution via Unsupervised Bi-directional Cycle Domain Transfer Learning based Generative Adversarial Network [14.898170534545727]
UBCDTLGAN(Unsupervised Bi-directional Cycle Domain Transfer Learning-based Generative Adrial Network)を提案する。まず、UBCDTNは、人工劣化領域から実世界の画像領域にLR画像を転送することで、近似された実状LR画像を生成することができる。第二に、SESRNは、近似されたリアルライクなLR画像をフォトリアリスティックなHR画像に超解ける能力を持っている。
論文参考訳（メタデータ） (2022-11-19T02:19:21Z)
Real Image Super-Resolution using GAN through modeling of LR and HR process [20.537597542144916]
LRモデルとSRモデルに組み込んだ学習可能な適応正弦波非線形性を提案し,分解分布を直接学習する。定量的および定性的な実験において提案手法の有効性を実証する。
論文参考訳（メタデータ） (2022-10-19T09:23:37Z)
LAPAR: Linearly-Assembled Pixel-Adaptive Regression Network for Single Image Super-Resolution and Beyond [75.37541439447314]
単一画像超解像(SISR)は、低解像度(LR)画像を高解像度(HR)バージョンにアップサンプリングする根本的な問題を扱う。本稿では,線形組立画素適応回帰ネットワーク (LAPAR) を提案する。
論文参考訳（メタデータ） (2021-05-21T15:47:18Z)
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)
Deep Cyclic Generative Adversarial Residual Convolutional Networks for Real Image Super-Resolution [20.537597542144916]
我々は、LRとHRデータ分布間の領域整合性を維持するために、深い循環ネットワーク構造を考える。本稿では,LRからHRドメインへの変換のためのGAN(Generative Adversarial Network)フレームワークを用いた学習により,超解像残留周期生成逆ネットワーク(SRResCycGAN)を提案する。
論文参考訳（メタデータ） (2020-09-07T11:11:18Z)
Real Image Super Resolution Via Heterogeneous Model Ensemble using GP-NAS [63.48801313087118]
本稿では,高密度スキップ接続を有するディープ残差ネットワークを用いた画像超解像法を提案する。提案手法は、AIM 2020 Real Image Super-Resolution Challengeの3トラックで1位を獲得した。
論文参考訳（メタデータ） (2020-09-02T22:33:23Z)
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)
Closed-loop Matters: Dual Regression Networks for Single Image Super-Resolution [73.86924594746884]
ディープニューラルネットワークは、画像超解像において有望な性能を示した。これらのネットワークは、低分解能(LR)画像から高分解能(HR)画像への非線形マッピング関数を学習する。本稿では,可能な関数の空間を削減するために,LRデータに新たな制約を導入することで,二重回帰手法を提案する。
論文参考訳（メタデータ） (2020-03-16T04:23:42Z)
PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models [77.32079593577821]
PULSE (Photo Upsampling via Latent Space Exploration) は、それまで文献になかった解像度で高解像度でリアルな画像を生成する。本手法は, 従来よりも高分解能, スケールファクターの知覚品質において, 最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2020-03-08T16:44:31Z)

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。