論文の概要: Multi-Attention Generative Adversarial Network for Remote Sensing Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2107.06536v1
• Date: Wed, 14 Jul 2021 08:06:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-15 23:40:23.042401
• Title: Multi-Attention Generative Adversarial Network for Remote Sensing Image Super-Resolution
• Title（参考訳）: リモートセンシング画像スーパーリゾリューションのためのマルチアテンション・ジェネレーティブ・アドバイザリー・ネットワーク
• Authors: Meng Xu, Zhihao Wang, Jiasong Zhu, Xiuping Jia, Sen Jia
• Abstract要約: 画像超解像(SR)法では,空間分解能の高いリモートセンシング画像を生成することができる。 本稿では,GAN(Generative Adversarial Network)に基づく高解像度リモートセンシング画像を生成するネットワークを提案する。
• 参考スコア（独自算出の注目度）: 17.04588012373861
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image super-resolution (SR) methods can generate remote sensing images with high spatial resolution without increasing the cost, thereby providing a feasible way to acquire high-resolution remote sensing images, which are difficult to obtain due to the high cost of acquisition equipment and complex weather. Clearly, image super-resolution is a severe ill-posed problem. Fortunately, with the development of deep learning, the powerful fitting ability of deep neural networks has solved this problem to some extent. In this paper, we propose a network based on the generative adversarial network (GAN) to generate high resolution remote sensing images, named the multi-attention generative adversarial network (MA-GAN). We first designed a GAN-based framework for the image SR task. The core to accomplishing the SR task is the image generator with post-upsampling that we designed. The main body of the generator contains two blocks; one is the pyramidal convolution in the residual-dense block (PCRDB), and the other is the attention-based upsample (AUP) block. The attentioned pyramidal convolution (AttPConv) in the PCRDB block is a module that combines multi-scale convolution and channel attention to automatically learn and adjust the scaling of the residuals for better results. The AUP block is a module that combines pixel attention (PA) to perform arbitrary multiples of upsampling. These two blocks work together to help generate better quality images. For the loss function, we design a loss function based on pixel loss and introduce both adversarial loss and feature loss to guide the generator learning. We have compared our method with several state-of-the-art methods on a remote sensing scene image dataset, and the experimental results consistently demonstrate the effectiveness of the proposed MA-GAN.
• Abstract（参考訳）: 画像超解像(SR)法は,高解像度で高解像度のリモートセンシング画像を生成することができるため,高解像度で高解像度のリモートセンシング画像が得られる。 明らかに、画像の超解像度は深刻な問題である。 幸いにも、ディープラーニングの開発によって、ディープニューラルネットワークの強力な適合能力は、この問題をある程度解決した。 本稿では,GAN(Generative Adversarial Network)に基づく,マルチアテンション・ジェネレーティブ・ディベザリ・ネットワーク(MA-GAN)と呼ばれる高解像度リモートセンシング画像を生成するネットワークを提案する。 我々はまず、画像SRタスクのためのGANベースのフレームワークを設計した。 SRタスクを達成するためのコアは、私たちが設計したポストサンプリングによるイメージジェネレータです。 発電機の本体には2つのブロックがあり、1つは残留拡散ブロック(pcrdb)のピラミッド畳み込み、もう1つは注意に基づくアップサムル(aup)ブロックである。 PCRDBブロックの注目ピラミッド畳み込み(AttPConv)は、マルチスケールの畳み込みとチャネルアテンションを組み合わせたモジュールで、より良い結果を得るために残留物のスケーリングを自動的に学習し調整する。 AUPブロックは、ピクセルアテンション(PA)を組み合わせて任意の複数のアップサンプリングを実行するモジュールである。 これら2つのブロックは協力して高品質な画像を生成する。 損失関数に対しては,画素損失に基づく損失関数を設計し,逆損失と特徴損失の両方を導入して,ジェネレータ学習を指導する。 本手法をリモートセンシングシーン画像データセット上でいくつかの最先端手法と比較し,MA-GANの有効性を連続的に示す実験結果を得た。

関連論文リスト

• SRTransGAN: Image Super-Resolution using Transformer based Generative Adversarial Network [16.243363392717434]
  トランスをベースとしたエンコーダデコーダネットワークを2倍画像と4倍画像を生成するジェネレータとして提案する。 提案したSRTransGANは、PSNRとSSIMのスコアの平均で、既存の手法よりも4.38%優れていた。
  論文  参考訳（メタデータ） (2023-12-04T16:22:39Z)
• Spatially-Adaptive Feature Modulation for Efficient Image Super-Resolution [90.16462805389943]
  視覚変換器(ViT)のようなブロック上に,空間適応型特徴変調(SAFM)機構を開発する。 提案法は最先端のSR法よりも3倍程度小さい。
  論文  参考訳（メタデータ） (2023-02-27T14:19:31Z)
• Decoupled-and-Coupled Networks: Self-Supervised Hyperspectral Image Super-Resolution with Subpixel Fusion [67.35540259040806]
  サブピクセルレベルのHS超解像フレームワークを提案する。 名前が示すように、DC-Netはまず入力を共通(またはクロスセンサー)とセンサー固有のコンポーネントに分離する。 我々は,CSUネットの裏側に自己教師付き学習モジュールを付加し,素材の整合性を保証し,復元されたHS製品の詳細な外観を向上する。
  論文  参考訳（メタデータ） (2022-05-07T23:40:36Z)
• Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
  本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。 我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。 提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2022-04-19T17:59:45Z)
• Hybrid Pixel-Unshuffled Network for Lightweight Image Super-Resolution [64.54162195322246]
  畳み込みニューラルネットワーク(CNN)は画像超解像(SR)において大きな成功を収めた ほとんどのディープCNNベースのSRモデルは、高い性能を得るために大量の計算を処理している。 SRタスクに効率的かつ効果的なダウンサンプリングモジュールを導入することで,HPUN(Hybrid Pixel-Unshuffled Network)を提案する。
  論文  参考訳（メタデータ） (2022-03-16T20:10:41Z)
• TWIST-GAN: Towards Wavelet Transform and Transferred GAN for Spatio-Temporal Single Image Super Resolution [4.622977798361014]
  単一画像スーパーレゾリューション(sisr)は、空間解像度の低いリモートセンシング画像から、微細な空間解像度を持つ高解像度画像を生成する。 深層学習とGAN(Generative Adversarial Network)は、単一画像超解像(SISR)の課題を突破した。
  論文  参考訳（メタデータ） (2021-04-20T22:12:38Z)
• 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)
• Perceptual Extreme Super Resolution Network with Receptive Field Block [11.557328975199043]
  拡張SRGANに基づく受信フィールドブロックを持つ超解像ネットワークを開発した。 RFB-ESRGANはオブジェクトの検出と分類において競合する結果を得た。
  論文  参考訳（メタデータ） (2020-05-26T09:38:33Z)
• 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)
• Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
  畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。 ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。 提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
  論文  参考訳（メタデータ） (2020-03-15T11:04:30Z)
• Gated Fusion Network for Degraded Image Super Resolution [78.67168802945069]
  本稿では,基本特徴と回復特徴を別々に抽出する二分岐畳み込みニューラルネットワークを提案する。 特徴抽出ステップを2つのタスク非依存ストリームに分解することで、デュアルブランチモデルがトレーニングプロセスを容易にすることができる。
  論文  参考訳（メタデータ） (2020-03-02T13:28:32Z)

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。