論文の概要: Spatially-Adaptive Image Restoration using Distortion-Guided Networks
- arxiv url: http://arxiv.org/abs/2108.08617v1
- Date: Thu, 19 Aug 2021 11:02:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-20 22:12:13.032785
- Title: Spatially-Adaptive Image Restoration using Distortion-Guided Networks
- Title（参考訳）: 歪み誘導ネットワークを用いた空間適応型画像復元
- Authors: Kuldeep Purohit, Maitreya Suin, A. N. Rajagopalan, Vishnu Naresh
Boddeti
- Abstract要約: 空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。
本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
- 参考スコア（独自算出の注目度）: 51.89245800461537
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a general learning-based solution for restoring images suffering
from spatially-varying degradations. Prior approaches are typically
degradation-specific and employ the same processing across different images and
different pixels within. However, we hypothesize that such spatially rigid
processing is suboptimal for simultaneously restoring the degraded pixels as
well as reconstructing the clean regions of the image. To overcome this
limitation, we propose SPAIR, a network design that harnesses
distortion-localization information and dynamically adjusts computation to
difficult regions in the image. SPAIR comprises of two components, (1) a
localization network that identifies degraded pixels, and (2) a restoration
network that exploits knowledge from the localization network in filter and
feature domain to selectively and adaptively restore degraded pixels. Our key
idea is to exploit the non-uniformity of heavy degradations in spatial-domain
and suitably embed this knowledge within distortion-guided modules performing
sparse normalization, feature extraction and attention. Our architecture is
agnostic to physical formation model and generalizes across several types of
spatially-varying degradations. We demonstrate the efficacy of SPAIR
individually on four restoration tasks-removal of rain-streaks, raindrops,
shadows and motion blur. Extensive qualitative and quantitative comparisons
with prior art on 11 benchmark datasets demonstrate that our
degradation-agnostic network design offers significant performance gains over
state-of-the-art degradation-specific architectures. Code available at
https://github.com/human-analysis/spatially-adaptive-image-restoration.
- Abstract（参考訳）: 空間的に変化する劣化に苦しむ画像復元のための一般学習型ソリューションを提案する。
先行するアプローチは、通常は分解特異的であり、異なる画像と異なるピクセルをまたいで同じ処理を行う。
しかし,このような空間的剛性処理は,劣化画素の復元と画像のクリーン領域の再構築を同時に行うのに最適ではないと仮定した。
そこで本稿では,歪み局所化情報を活用し,画像中の難しい領域に動的に計算を調整するネットワーク設計spairを提案する。
SPAIR は,(1) 劣化画素を識別するローカライゼーションネットワーク,(2) 劣化画素を選択的かつ適応的に復元するフィルタ領域のローカライゼーションネットワークと特徴領域の知識を利用するリカバリネットワークの2つのコンポーネントから構成される。
我々のキーとなる考え方は、空間領域における重劣化の不均一性を利用して、この知識を歪誘導モジュールに適切に組み込むことである。
私たちのアーキテクチャは物理的形成モデルに依存せず、いくつかのタイプの空間変動劣化を一般化します。
本研究では, 雨滴, 雨滴, 影, 動きのぼやきを除去した4つの修復作業において, 個別にスペアの効果を示す。
11のベンチマークデータセットにおける先行技術との比較により、劣化に依存しないネットワーク設計は、最先端の劣化特化アーキテクチャよりも顕著なパフォーマンス向上をもたらすことが示された。
コードはhttps://github.com/human- analysis/spatially-adaptive-image-restorationで入手できる。
関連論文リスト
- Realistic Extreme Image Rescaling via Generative Latent Space Learning [51.85790402171696]
極端画像再スケーリングのためのLatent Space Based Image Rescaling (LSBIR) という新しいフレームワークを提案する。
LSBIRは、訓練済みのテキスト-画像拡散モデルによって学習された強力な自然画像の先行を効果的に活用し、リアルなHR画像を生成する。
第1段階では、擬似非可逆エンコーダデコーダは、HR画像の潜在特徴とターゲットサイズのLR画像との双方向マッピングをモデル化する。
第2段階では、第1段階からの再構成された特徴を事前訓練された拡散モデルにより洗練し、より忠実で視覚的に喜ぶ詳細を生成する。
論文 参考訳（メタデータ） (2024-08-17T09:51:42Z) - Research on Image Super-Resolution Reconstruction Mechanism based on Convolutional Neural Network [8.739451985459638]
超解像アルゴリズムは、同一シーンから撮影された1つ以上の低解像度画像を高解像度画像に変換する。
再構成過程における画像の特徴抽出と非線形マッピング手法は,既存のアルゴリズムでは依然として困難である。
目的は、高解像度の画像から高品質で高解像度の画像を復元することである。
論文 参考訳（メタデータ） (2024-07-18T06:50:39Z) - DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image
Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。
従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。
提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文 参考訳（メタデータ） (2023-12-12T06:07:21Z) - All-in-one Multi-degradation Image Restoration Network via Hierarchical
Degradation Representation [47.00239809958627]
我々は新しいオールインワン・マルチデグレーション画像復元ネットワーク(AMIRNet)を提案する。
AMIRNetは、クラスタリングによって木構造を段階的に構築することで、未知の劣化画像の劣化表現を学習する。
この木構造表現は、様々な歪みの一貫性と不一致を明示的に反映しており、画像復元の具体的な手がかりとなっている。
論文 参考訳（メタデータ） (2023-08-06T04:51:41Z) - Wide & deep learning for spatial & intensity adaptive image restoration [16.340992967330603]
本稿では,広義の多フレーム画像復元ネットワーク(DparNet)を提案する。
劣化前のパラメータ行列は、劣化した画像から直接学習される。
DparNetの広範かつ深いアーキテクチャにより、学習したパラメータは最終的な復元結果を直接修正できる。
論文 参考訳（メタデータ） (2023-05-30T03:24:09Z) - 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) - Dual Perceptual Loss for Single Image Super-Resolution Using ESRGAN [13.335546116599494]
本稿では,従来の知覚損失を置き換えるためにDP損失(Dual Perceptual Loss)と呼ばれる手法を提案する。
VGG特徴とResNet特徴の相補的な性質のため、提案されたDPロスは2つの特徴を同時に学習する利点を考察する。
ベンチマークデータセットの定性的および定量的解析により,提案手法が最先端の超解像法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-01-17T12:42:56Z) - 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) - Image Fine-grained Inpainting [89.17316318927621]
拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。
この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。
また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
論文 参考訳（メタデータ） (2020-02-07T03:45:25Z)
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。