論文の概要: Attention-based Multi-Reference Learning for Image Super-Resolution
- arxiv url: http://arxiv.org/abs/2108.13697v1
- Date: Tue, 31 Aug 2021 09:12:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-01 23:20:15.795357
- Title: Attention-based Multi-Reference Learning for Image Super-Resolution
- Title（参考訳）: 超解像に対する注意に基づくマルチ参照学習
- Authors: Marco Pesavento, Marco Volino and Adrian Hilton
- Abstract要約: 本稿では,新しいアテンションに基づくマルチ参照超解像ネットワークを提案する。
類似したテクスチャを複数の参照画像から超解像出力に適応的に転送する。
最先端の参照超解像法よりも性能が大幅に向上する。
- 参考スコア（独自算出の注目度）: 29.361342747786164
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper proposes a novel Attention-based Multi-Reference Super-resolution
network (AMRSR) that, given a low-resolution image, learns to adaptively
transfer the most similar texture from multiple reference images to the
super-resolution output whilst maintaining spatial coherence. The use of
multiple reference images together with attention-based sampling is
demonstrated to achieve significantly improved performance over
state-of-the-art reference super-resolution approaches on multiple benchmark
datasets. Reference super-resolution approaches have recently been proposed to
overcome the ill-posed problem of image super-resolution by providing
additional information from a high-resolution reference image. Multi-reference
super-resolution extends this approach by providing a more diverse pool of
image features to overcome the inherent information deficit whilst maintaining
memory efficiency. A novel hierarchical attention-based sampling approach is
introduced to learn the similarity between low-resolution image features and
multiple reference images based on a perceptual loss. Ablation demonstrates the
contribution of both multi-reference and hierarchical attention-based sampling
to overall performance. Perceptual and quantitative ground-truth evaluation
demonstrates significant improvement in performance even when the reference
images deviate significantly from the target image. The project website can be
found at https://marcopesavento.github.io/AMRSR/
- Abstract（参考訳）: 本稿では,空間コヒーレンスを維持しつつ,複数の参照画像からスーパーレゾリューション出力へ最も類似したテクスチャを適応的に転送する,アテンションベースのマルチレゾリューション・スーパーレゾリューション・ネットワーク(AMRSR)を提案する。
マルチリファレンス画像とアテンションベースサンプリングを用いることで、複数のベンチマークデータセットに対する最先端の参照超解像アプローチよりも性能が大幅に向上することを示した。
近年,高分解能基準画像からの付加情報を提供することにより,不適切な画像超解像問題を解決するための参照超解像手法が提案されている。
マルチリファレンススーパーレゾリューションは、メモリ効率を維持しながら固有の情報不足を克服するために、より多様な画像機能プールを提供することによって、このアプローチを拡張します。
低解像度画像特徴と複数の参照画像との類似性を知覚損失に基づいて学習するために,新しい階層的注意に基づくサンプリング手法を導入した。
アブレーションは、全体的なパフォーマンスにマルチリファレンスと階層的注意に基づくサンプリングの両方が寄与していることを示している。
基準画像が目標画像から著しくずれた場合でも,知覚的,定量的な地下構造評価により,性能が著しく向上した。
プロジェクトのWebサイトはhttps://marcopesavento.github.io/AMRSR/にある。
関連論文リスト
- AccDiffusion: An Accurate Method for Higher-Resolution Image Generation [63.53163540340026]
AccDiffusionは、パッチワイドの高解像度画像生成をトレーニングなしで正確に行う方法である。
本稿では,異なるパッチに対する同一のテキストプロンプトが繰り返しオブジェクト生成を引き起こすことを明らかにする。
私たちのAccDiffusionは、初めて、バニラ画像認識プロンプトをパッチコンテンツ認識プロンプトのセットに分離することを提案しています。
論文 参考訳（メタデータ） (2024-07-15T14:06:29Z) - Detail-Enhancing Framework for Reference-Based Image Super-Resolution [8.899312174844725]
参照型超解像のためのDEF(Detail-Enhancing Framework)を提案する。
提案手法は,比較した数値結果を維持しながら,優れた視覚的結果が得られる。
論文 参考訳（メタデータ） (2024-05-01T10:27:22Z) - LMR: A Large-Scale Multi-Reference Dataset for Reference-based
Super-Resolution [86.81241084950524]
参照ベース超解像(RefSR)は、単一の画像超解像(SISR)と比較して、類似した高品質な画像を参照することで優れた結果が得られると広く合意されている。
以前のRefSR手法はすべて単一参照イメージトレーニングに重点を置いているが、複数の参照イメージはテストや実用的なアプリケーションでしばしば利用できる。
我々はLMRと呼ばれる大規模なマルチ参照超解像データセットを構築し、300x300のトレーニング画像の112,142グループを含み、これは既存の最大のRefSRデータセットの10倍である。
論文 参考訳（メタデータ） (2023-03-09T01:07:06Z) - Hierarchical Similarity Learning for Aliasing Suppression Image
Super-Resolution [64.15915577164894]
エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。
HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
論文 参考訳（メタデータ） (2022-06-07T14:55:32Z) - 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) - HIME: Efficient Headshot Image Super-Resolution with Multiple Exemplars [11.81364643562714]
本稿では,HIME(Multiple Exemplars Network)法を用いた高効率なヘッドショット画像超解法を提案する。
従来の手法と比較して,我々のネットワークは入力と参照のミスアライメントを効果的に処理できる。
また、制御可能な空間範囲における局所的なテクスチャのリッチな表現を提供する相関損失を提案する。
論文 参考訳（メタデータ） (2022-03-28T16:13:28Z) - Variational AutoEncoder for Reference based Image Super-Resolution [27.459299640768773]
本稿では,任意の画像がスーパーレゾリューションの参照として機能する参照ベース画像スーパーレゾリューションを提案する。
ランダムマップや低解像度画像自体を使用しても、提案したRefVAEは、超解像への参照から知識を転送することができる。
論文 参考訳（メタデータ） (2021-06-08T04:12:38Z) - MASA-SR: Matching Acceleration and Spatial Adaptation for
Reference-Based Image Super-Resolution [74.24676600271253]
本稿では、RefSRのためのMASAネットワークを提案し、これらの問題に対処するために2つの新しいモジュールを設計する。
提案したMatch & extract Moduleは、粗大な対応マッチング方式により計算コストを大幅に削減する。
空間適応モジュールは、LR画像とRef画像の分布の差を学習し、Ref特徴の分布を空間適応的にLR特徴の分布に再マップする。
論文 参考訳（メタデータ） (2021-06-04T07:15:32Z) - Multi-image Super Resolution of Remotely Sensed Images using Residual
Feature Attention Deep Neural Networks [1.3764085113103222]
本研究は,マルチイメージ超解像課題に効果的に取り組む新しい残像注意モデル(RAMS)を提案する。
本研究では,3次元畳み込みによる視覚特徴の注意機構を導入し,意識的なデータ融合と情報抽出を実現する。
我々の表現学習ネットワークは、冗長な低周波信号を流すためにネストした残差接続を広範囲に利用している。
論文 参考訳（メタデータ） (2020-07-06T22:54:02Z) - 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)
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。