論文の概要: Dual-reference Training Data Acquisition and CNN Construction for Image
Super-Resolution
- arxiv url: http://arxiv.org/abs/2108.02348v1
- Date: Thu, 5 Aug 2021 03:31:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-06 14:43:06.180900
- Title: Dual-reference Training Data Acquisition and CNN Construction for Image
Super-Resolution
- Title（参考訳）: 画像超解像のためのデュアルリファレンストレーニングデータ取得とcnn構築
- Authors: Yanhui Guo, Xiao Shu, Xiaolin Wu
- Abstract要約: そこで本研究では,実写カメラを用いたLR$sim$HR画像ペアを多数取得する新しい手法を提案する。
私たちのイノベーションは、解像度の異なる超高品質のスクリーンに表示される画像を撮影することです。
実験の結果,LR$sim$HRデータセットによる超解像CNNのトレーニングは,実画像上の既存のデータセットによるトレーニングよりも,復元性能が優れていることがわかった。
- 参考スコア（独自算出の注目度）: 33.388234549922025
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For deep learning methods of image super-resolution, the most critical issue
is whether the paired low and high resolution images for training accurately
reflect the sampling process of real cameras. Low and high resolution
(LR$\sim$HR) image pairs synthesized by existing degradation models (\eg,
bicubic downsampling) deviate from those in reality; thus the super-resolution
CNN trained by these synthesized LR$\sim$HR image pairs does not perform well
when being applied to real images. In this paper, we propose a novel method to
capture a large set of realistic LR$\sim$HR image pairs using real cameras.The
data acquisition is carried out under controllable lab conditions with minimum
human intervention and at high throughput (about 500 image pairs per hour). The
high level of automation makes it easy to produce a set of real LR$\sim$HR
training image pairs for each camera. Our innovation is to shoot images
displayed on an ultra-high quality screen at different resolutions.There are
three distinctive advantages with our method that allow us to collect
high-quality training datasets for image super-resolution. First, as the LR and
HR images are taken of a 3D planar surface (the screen) the registration
problem fits exactly to a homography model. Second, we can display special
markers on the image margin to further improve the registration
precision.Third, the displayed digital image file can be exploited as a
reference to optimize the high frequency content of the restored image.
Experimental results show that training a super-resolution CNN by our
LR$\sim$HR dataset has superior restoration performance than training it by
existing datasets on real world images at the inference stage.
- Abstract（参考訳）: 画像スーパーレゾリューションの深層学習法では,訓練用低解像度・高解像度画像が実カメラのサンプリング過程を正確に反映するかどうかが重要な課題である。
低分解能 (LR$\sim$HR) 画像対は既存の劣化モデル (\eg, bicubic downsampling) によって合成されるため、これらの合成されたLR$\sim$HR画像対によって訓練された超分解能CNNは実画像に適用してもうまく動作しない。
本稿では,実写カメラを用いた大量のリアルLR$\sim$HR画像対をキャプチャする新しい手法を提案し,人間の介入を最小限に抑え,高スループット(毎時約500枚)でデータ取得を行う。
高レベルの自動化により、カメラ毎にLR$\sim$HRトレーニングイメージペアのセットを簡単に作成できる。
我々の革新は、解像度の異なる超高品質のスクリーンに表示される画像を撮影することであり、画像超解像度のための高品質なトレーニングデータセットを収集できる方法には3つの特徴がある。
まず、LRとHRの画像を3次元平面面(スクリーン)で撮影すると、登録問題はホモグラフィーモデルに正確に適合する。
第二に、画像マージンに特別なマーカーを表示することで、登録精度をさらに向上させることができるが、表示されたデジタル画像ファイルは、復元された画像の高周波コンテンツを最適化するための参照として利用することができる。
実験の結果,超解像cnnをlr$\sim$hrデータセットでトレーニングした場合,推定段階で既存のデータセットでトレーニングするよりも復元性能が優れていることがわかった。
関連論文リスト
- Rethinking Image Super-Resolution from Training Data Perspectives [54.28824316574355]
画像超解像(SR)におけるトレーニングデータの効果について検討する。
そこで我々は,自動画像評価パイプラインを提案する。
その結果, (i) 圧縮アーチファクトの少ないデータセット, (ii) 被写体数によって判断される画像内多様性の高いデータセット, (iii) ImageNet や PASS からの大量の画像がSR性能に肯定的な影響を与えることがわかった。
論文 参考訳（メタデータ） (2024-09-01T16:25:04Z) - Efficient Test-Time Adaptation for Super-Resolution with Second-Order
Degradation and Reconstruction [62.955327005837475]
画像超解像(SR)は,低分解能(LR)から高分解能(HR)へのマッピングを,一対のHR-LRトレーニング画像を用いて学習することを目的としている。
SRTTAと呼ばれるSRの効率的なテスト時間適応フレームワークを提案し、SRモデルを異なる/未知の劣化型でテストドメインに迅速に適応させることができる。
論文 参考訳（メタデータ） (2023-10-29T13:58:57Z) - Human Guided Ground-truth Generation for Realistic Image
Super-resolution [27.74022069080442]
GT画像を生成する方法は、現実的な画像超解像(Real-ISR)モデルをトレーニングする上で重要な問題である。
既存の手法は主に高分解能(HR)画像をGTとして取り、低分解能(LR)画像をシミュレートするために様々な劣化を適用している。
本稿では,人間誘導型GT生成手法を提案する。
論文 参考訳（メタデータ） (2023-03-23T06:53:14Z) - Real-Time Super-Resolution for Real-World Images on Mobile Devices [11.632812550056173]
Image Super-Resolution (ISR) は、高分解能(HR)画像を対応する低分解能(LR)画像から復元することを目的としている。
ISRの最近の進歩は目覚ましいが、エッジデバイスに展開するには計算集約的すぎる。
本研究では,モバイルデバイス上でのリアルタイムIDRに対するアプローチについて述べる。
論文 参考訳（メタデータ） (2022-06-03T18:44:53Z) - Exploiting Raw Images for Real-Scene Super-Resolution [105.18021110372133]
本稿では,合成データと実撮影画像とのギャップを埋めるために,実シーンにおける単一画像の超解像化の問題について検討する。
本稿では,デジタルカメラの撮像過程を模倣して,よりリアルなトレーニングデータを生成する手法を提案する。
また、原画像に記録された放射情報を活用するために、2分岐畳み込みニューラルネットワークを開発した。
論文 参考訳（メタデータ） (2021-02-02T16:10:15Z) - Joint Generative Learning and Super-Resolution For Real-World
Camera-Screen Degradation [6.14297871633911]
現実世界の単一画像超解像(SISR)タスクでは、低解像度画像はより複雑な劣化に苦しむ。
本稿では,カメラ画面の劣化に着目し,実世界のデータセット(Cam-ScreenSR)を構築する。
まず、ダウンサンプリング劣化GAN(DD-GAN)をトレーニングし、その分解をモデル化し、より多様なLR画像を生成する。
そして、二重残差チャネルアテンションネットワーク(DuRCAN)がSR画像の復元を学習する。
論文 参考訳（メタデータ） (2020-08-01T07:10:13Z) - Benefiting from Bicubically Down-Sampled Images for Learning Real-World
Image Super-Resolution [22.339751911637077]
我々は、この不適切な問題を2つの比較的よく提示されたステップに分割することで、現実世界のSRを扱うことを提案する。
まず、実LR画像を教師付きで双対的にダウンサンプリングされた画像の空間に変換するネットワークを訓練する。
次に,2次元ダウンサンプル画像に基づいて学習した汎用SRネットワークを用いて,変換されたLR画像の超解像を行う。
論文 参考訳（メタデータ） (2020-07-06T20:27:58Z) - Robust Single-Image Super-Resolution via CNNs and TV-TV Minimization [7.538482310185135]
シングルイメージ超解像(英: Single-image Super- resolution)とは、低解像度(LR)画像から高解像度(HR)画像を得る画像の解像度を増大させる過程である。
大規模なトレーニングデータセットを活用することで、現在のCNN(Convolutional Neural Network)は、このタスクにおける最先端のパフォーマンスを実現している。
我々は,CNNの出力をTV-TV最小化と呼ぶ最適化問題で処理後処理し,一貫性を実現することを提案する。
論文 参考訳（メタデータ） (2020-04-02T07:06:55Z) - 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) - Learning to Zoom-in via Learning to Zoom-out: Real-world
Super-resolution by Generating and Adapting Degradation [91.40265983636839]
本稿では,SR を任意の LR と HR 画像から学習するためのフレームワークを提案する。
我々は、劣化適応SRネットワークを学習しながら、生成されたデータと実データとの差を最小限にする。
提案手法は,ペア学習法をより好むデータセットであっても,実世界の画像上での最先端のSR結果を実現する。
論文 参考訳（メタデータ） (2020-01-08T05:17:02Z)
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。