論文の概要: End-to-End Adaptive Monte Carlo Denoising and Super-Resolution

• arxiv url: http://arxiv.org/abs/2108.06915v1
• Date: Mon, 16 Aug 2021 06:32:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-17 14:48:13.532897
• Title: End-to-End Adaptive Monte Carlo Denoising and Super-Resolution
• Title（参考訳）: エンド・ツー・エンド適応モンテカルロ分極と超解像
• Authors: Xinyue Wei, Haozhi Huang, Yujin Shi, Hongliang Yuan, Li Shen, Jue Wang
• Abstract要約: モンテカルロ経路の追跡は, 後処理における共同超解像とデノイングによりさらに加速できることを示す。 この新しいタイプのジョイントフィルタリングでは、パストレースによって低解像度で少ない(雑音の多い)イメージのみをレンダリングできる。 この作業の主な貢献は、SRDタスク用に特別に設計された、新しいエンドツーエンドのネットワークアーキテクチャである。
• 参考スコア（独自算出の注目度）: 11.928318461220355
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The classic Monte Carlo path tracing can achieve high quality rendering at the cost of heavy computation. Recent works make use of deep neural networks to accelerate this process, by improving either low-resolution or fewer-sample rendering with super-resolution or denoising neural networks in post-processing. However, denoising and super-resolution have only been considered separately in previous work. We show in this work that Monte Carlo path tracing can be further accelerated by joint super-resolution and denoising (SRD) in post-processing. This new type of joint filtering allows only a low-resolution and fewer-sample (thus noisy) image to be rendered by path tracing, which is then fed into a deep neural network to produce a high-resolution and clean image. The main contribution of this work is a new end-to-end network architecture, specifically designed for the SRD task. It contains two cascaded stages with shared components. We discover that denoising and super-resolution require very different receptive fields, a key insight that leads to the introduction of deformable convolution into the network design. Extensive experiments show that the proposed method outperforms previous methods and their variants adopted for the SRD task.
• Abstract（参考訳）: 古典的なモンテカルロパストレースは、高い計算コストで高品質のレンダリングを実現することができる。 最近の研究は、このプロセスを加速するためにディープニューラルネットワークを使用しており、後処理において超高解像度またはデノイングニューラルネットワークを用いて、低解像度または少ないサンプルレンダリングを改善する。 しかし、デノイジングとスーパーレゾリューションは以前の作品では別々に検討されてきた。 本研究では,モンテカルロの経路追跡を,srd(joint super- resolution and denoising)によりさらに促進できることを示す。 この新しいタイプのジョイントフィルタリングは、低解像度で少ないサンプル(ノイズの多い)画像をパストレーシングによってレンダリングし、ディープニューラルネットワークに供給することで、高分解能でクリーンな画像を生成することができる。 この作業の主な貢献は、SRDタスク用に特別に設計された、新しいエンドツーエンドのネットワークアーキテクチャである。 共有コンポーネントを持つ2つのカスケードステージを含む。 変形可能な畳み込みをネットワーク設計に導入する上で重要な洞察となる、非常に異なる受容場を必要とすることを発見した。 実験の結果,提案手法は従来の手法とSRDタスクで適用されたバリエーションよりも優れていた。

関連論文リスト

• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• 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)
• ShuffleMixer: An Efficient ConvNet for Image Super-Resolution [88.86376017828773]
  本稿では、大きな畳み込みとチャネル分割シャッフル操作を探索する軽量画像超解像のためのShuffleMixerを提案する。 具体的には,チャネル分割とシャッフルを基本成分とする2つのプロジェクション層を効率よく混合する。 実験結果から,ShuffleMixerはモデルパラメータやFLOPの手法に比べて約6倍小さいことがわかった。
  論文  参考訳（メタデータ） (2022-05-30T15:26:52Z)
• DeepRLS: A Recurrent Network Architecture with Least Squares Implicit Layers for Non-blind Image Deconvolution [15.986942312624]
  非盲点画像デコンボリューションの問題について検討する。 本稿では,画像品質の非常に競争力のある復元結果をもたらす新しい再帰的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） (2021-12-10T13:16:51Z)
• NerfingMVS: Guided Optimization of Neural Radiance Fields for Indoor Multi-view Stereo [97.07453889070574]
  本稿では,従来のSfM再構成と学習に基づく先行手法を併用した多視点深度推定手法を提案する。 提案手法は室内シーンにおける最先端手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2021-09-02T17:54:31Z)
• Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
  本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。 実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。 ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
  論文  参考訳（メタデータ） (2021-03-15T12:54:26Z)
• A Deep-Unfolded Reference-Based RPCA Network For Video Foreground-Background Separation [86.35434065681925]
  本稿では,ロバスト主成分分析(RPCA)問題に対するディープアンフォールディングに基づくネットワーク設計を提案する。 既存の設計とは異なり,本手法は連続するビデオフレームのスパース表現間の時間的相関をモデル化することに焦点を当てている。 移動MNISTデータセットを用いた実験により、提案したネットワークは、ビデオフォアグラウンドとバックグラウンドの分離作業において、最近提案された最先端のRPCAネットワークより優れていることが示された。
  論文  参考訳（メタデータ） (2020-10-02T11:40:09Z)
• Deep Iterative Residual Convolutional Network for Single Image Super-Resolution [31.934084942626257]
  我々は、ISRResCNet(Deep Iterative Super-Resolution Residual Convolutional Network)を提案する。 残差学習アプローチを用いて、深層ネットワークを反復的に訓練することにより、強力な画像正規化と大規模最適化手法を活用する。 トレーニング可能なパラメータがいくつかある本手法は,最先端の手法と比較して,異なるスケーリング要因に対する結果を改善する。
  論文  参考訳（メタデータ） (2020-09-07T12:54:14Z)
• 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)
• AMP-Net: Denoising based Deep Unfolding for Compressive Image Sensing [44.66684590557732]
  画像CS問題を解決するためにAMP-Netと呼ばれる深層展開モデルを提案する。 AMP-Netは、高い再構成速度と少数のネットワークパラメータを持つ他の最先端手法よりも、再構築精度が良い。
  論文  参考訳（メタデータ） (2020-04-21T15:04:17Z)

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。