論文の概要: Joint Implicit Image Function for Guided Depth Super-Resolution
- arxiv url: http://arxiv.org/abs/2107.08717v1
- Date: Mon, 19 Jul 2021 09:42:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-20 14:55:36.323374
- Title: Joint Implicit Image Function for Guided Depth Super-Resolution
- Title（参考訳）: ガイド付き深度超解像のための関節インシシット画像機能
- Authors: Jiaxiang Tang, Xiaokang Chen, Gang Zeng
- Abstract要約: 誘導深度超解法は低分解能でノイズの多い入力深度マップを高分解能版に復元する実用的な課題である。
一般画像の形式を採るが、新しい結合入射像関数表現を用いて重みと値の両方を学習する。
JIIF表現が誘導深度超分解能タスクに与える影響を実演し、3つの公開ベンチマークにおける最先端手法を著しく上回った。
- 参考スコア（独自算出の注目度）: 11.325235139023931
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Guided depth super-resolution is a practical task where a low-resolution and
noisy input depth map is restored to a high-resolution version, with the help
of a high-resolution RGB guide image. Existing methods usually view this task
as a generalized guided filtering problem that relies on designing explicit
filters and objective functions, or a dense regression problem that directly
predicts the target image via deep neural networks. These methods suffer from
either model capability or interpretability. Inspired by the recent progress in
implicit neural representation, we propose to formulate the guided
super-resolution as a neural implicit image interpolation problem, where we
take the form of a general image interpolation but use a novel Joint Implicit
Image Function (JIIF) representation to learn both the interpolation weights
and values. JIIF represents the target image domain with spatially distributed
local latent codes extracted from the input image and the guide image, and uses
a graph attention mechanism to learn the interpolation weights at the same time
in one unified deep implicit function. We demonstrate the effectiveness of our
JIIF representation on guided depth super-resolution task, significantly
outperforming state-of-the-art methods on three public benchmarks. Code can be
found at \url{https://git.io/JC2sU}.
- Abstract（参考訳）: 誘導深度超解像は、高解像度RGBガイド画像の助けを借りて低解像度でノイズの多い入力深度マップを高解像度版に復元する実用的な課題である。
既存の手法では、通常このタスクを、明示的なフィルタと客観的関数の設計に依存する一般化されたフィルタリング問題、あるいはディープニューラルネットワークによってターゲットイメージを直接予測する集中回帰問題と見なす。
これらの方法は、モデル能力または解釈可能性に悩まされる。
暗黙的ニューラル表現の最近の進歩に触発されて、ガイド付き超解像をニューラル暗黙的画像補間問題として定式化し、一般画像補間の形式を採るが、新しいジョイントインプリシット画像関数(JIIF)表現を用いて補間重みと値の両方を学習する。
JIIFは、入力画像とガイド画像から抽出された空間分布ローカル潜時符号で対象画像領域を表現し、グラフ注意機構を用いて、1つの統合された深い暗黙関数で補間重みを同時に学習する。
JIIF表現が誘導深度超分解能タスクに及ぼす影響を実証し、3つの公開ベンチマークにおける最先端手法を著しく上回った。
コードは \url{https://git.io/JC2sU} にある。
関連論文リスト
- Solving General Noisy Inverse Problem via Posterior Sampling: A Policy Gradient Viewpoint [21.22750301965104]
本研究では,事前学習した拡散生成モデルを用いて,タスク固有モデルによる微調整を伴わずに,幅広い画像逆タスクを解く。
入力画像の誘導スコア関数を正確に推定するために,拡散ポリシー勾配(DPG)を提案する。
実験により,複数の線形および非線形の逆問題に対するガウス雑音とポアソン雑音の両方に対して,本手法は頑健であることが示された。
論文 参考訳（メタデータ） (2024-03-15T16:38:47Z) - Guided Depth Super-Resolution by Deep Anisotropic Diffusion [18.445649181582823]
誘導異方性拡散と深層畳み込みネットワークを組み合わせた新しい手法を提案する。
誘導深度超解像のための3つの一般的なベンチマークで前例のない結果を得た。
論文 参考訳（メタデータ） (2022-11-21T15:48:13Z) - Deep Generalized Unfolding Networks for Image Restoration [16.943609020362395]
画像復元のためのDeep Generalized Unfolding Network (DGUNet)を提案する。
我々は、勾配推定戦略をPGDアルゴリズムの勾配降下ステップに統合する。
我々の手法は、最先端の性能、解釈可能性、一般化可能性の点で優れている。
論文 参考訳（メタデータ） (2022-04-28T08:39:39Z) - 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) - 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) - High-resolution Depth Maps Imaging via Attention-based Hierarchical
Multi-modal Fusion [84.24973877109181]
誘導DSRのための新しい注意に基づく階層型マルチモーダル融合ネットワークを提案する。
本手法は,再現精度,動作速度,メモリ効率の点で最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-04-04T03:28:33Z) - Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。
両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。
画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
論文 参考訳（メタデータ） (2020-08-25T03:30:53Z) - 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) - 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) - Multimodal Deep Unfolding for Guided Image Super-Resolution [23.48305854574444]
ディープラーニング手法は、低解像度の入力から高解像度の出力へのエンドツーエンドのマッピングを学習するために、トレーニングデータに依存する。
本稿では,スパース事前を組み込んだマルチモーダル深層学習設計を提案し,他の画像モダリティからの情報をネットワークアーキテクチャに効果的に統合する。
提案手法は,サイド情報を用いた畳み込みスパース符号化の反復的アルゴリズムに類似した,新しい展開演算子に依存している。
論文 参考訳（メタデータ） (2020-01-21T14:41:53Z)
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。