論文の概要: Unfolding Taylor's Approximations for Image Restoration

• arxiv url: http://arxiv.org/abs/2109.03442v1
• Date: Wed, 8 Sep 2021 05:47:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-09 13:47:21.361586
• Title: Unfolding Taylor's Approximations for Image Restoration
• Title（参考訳）: 画像復元のためのテイラー近似の展開
• Authors: Man Zhou, Zeyu Xiao, Xueyang Fu, Aiping Liu, Gang Yang and Zhiwei Xiong
• Abstract要約: テイラーのフォーミュラは、画像復元のための新しいフレームワークを構築するために使用される。 我々のフレームワークは2つのステップから構成され、それぞれが写像と微分関数に責任を負う。
• 参考スコア（独自算出の注目度）: 47.91334210288581
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deep learning provides a new avenue for image restoration, which demands a delicate balance between fine-grained details and high-level contextualized information during recovering the latent clear image. In practice, however, existing methods empirically construct encapsulated end-to-end mapping networks without deepening into the rationality, and neglect the intrinsic prior knowledge of restoration task. To solve the above problems, inspired by Taylor's Approximations, we unfold Taylor's Formula to construct a novel framework for image restoration. We find the main part and the derivative part of Taylor's Approximations take the same effect as the two competing goals of high-level contextualized information and spatial details of image restoration respectively. Specifically, our framework consists of two steps, correspondingly responsible for the mapping and derivative functions. The former first learns the high-level contextualized information and the later combines it with the degraded input to progressively recover local high-order spatial details. Our proposed framework is orthogonal to existing methods and thus can be easily integrated with them for further improvement, and extensive experiments demonstrate the effectiveness and scalability of our proposed framework.
• Abstract（参考訳）: ディープラーニングは、画像復元のための新しい手段を提供し、潜伏した鮮明な画像を復元するときに、細部の詳細と高レベルなコンテキスト化情報との微妙なバランスを要求する。 しかし、実際、既存の手法では、カプセル化されたエンドツーエンドのマッピングネットワークを合理性に深く掘り下げることなく実証的に構築し、本質的な復元作業の事前知識を無視する。 テイラーの近似に触発された上記の問題を解決するために、テイラーの公式を展開し、画像復元のための新しい枠組みを構築する。 テイラー近似の主な部分と微分部分は、それぞれ高レベル文脈情報と画像復元の空間的詳細の2つの競合する目標と同じ効果を持つことがわかった。 具体的には、このフレームワークはマッピングとデリバティブ関数に対応する2つのステップで構成されています。 前者はまず高レベルの文脈情報を学び、後者は劣化した入力と組み合わせて局所的な高次空間の詳細を徐々に復元する。 提案フレームワークは既存の手法と直交するので,さらなる改善のために容易に統合することが可能であり,提案フレームワークの有効性と拡張性について広範な実験を行った。

関連論文リスト

• ENTED: Enhanced Neural Texture Extraction and Distribution for Reference-based Blind Face Restoration [51.205673783866146]
  我々は,高品質でリアルな肖像画を復元することを目的とした,ブラインドフェイス修復のための新しいフレームワークであるENTEDを提案する。 劣化した入力画像と参照画像の間で高品質なテクスチャ特徴を伝達するために,テクスチャ抽出と分布の枠組みを利用する。 われわれのフレームワークにおけるStyleGANのようなアーキテクチャは、現実的な画像を生成するために高品質な潜伏符号を必要とする。
  論文  参考訳（メタデータ） (2024-01-13T04:54:59Z)
• STEEX: Steering Counterfactual Explanations with Semantics [28.771471624014065]
  ディープラーニングモデルは、安全クリティカルなアプリケーションでますます使われています。 低解像度の顔画像のような単純な画像では、視覚的対実的な説明が最近提案されている。 本稿では, 可塑性, スパースな修正を生み出す, 新たな生成的対実的説明フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-17T13:20:29Z)
• Deep Reparametrization of Multi-Frame Super-Resolution and Denoising [167.42453826365434]
  本稿では,多フレーム画像復元作業によく用いられる最大後部定式化の深部再パラメータ化を提案する。 提案手法は,学習された誤差メトリックと,対象画像の潜在表現を導入することによって導かれる。 我々は、バースト復調およびバースト超解像データセットに関する包括的な実験を通して、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2021-08-18T17:57:02Z)
• Unsupervised Knowledge-Transfer for Learned Image Reconstruction [4.183935970343543]
  ベイジアンフレームワーク内での反復的再構築を学習するための,教師なしの知識伝達パラダイムを新たに開発する。 提案手法は,視覚だけでなく,PSNRやSSIMの量的にも再現性を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2021-07-06T12:19:16Z)
• Multi-Stage Progressive Image Restoration [167.6852235432918]
  本稿では、これらの競合する目標を最適にバランスできる新しい相乗的設計を提案する。 本提案では, 劣化した入力の復元関数を段階的に学習する多段階アーキテクチャを提案する。 MPRNetという名前の密接な相互接続型マルチステージアーキテクチャは、10のデータセットに対して強力なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2021-02-04T18:57:07Z)
• Region-adaptive Texture Enhancement for Detailed Person Image Synthesis [86.69934638569815]
  RATE-Netは、シャープなテクスチャで人物画像を合成するための新しいフレームワークである。 提案するフレームワークは,テクスチャ強化モジュールを利用して,画像から外観情報を抽出する。 DeepFashionベンチマークデータセットで実施された実験は、既存のネットワークと比較して、我々のフレームワークの優位性を実証した。
  論文  参考訳（メタデータ） (2020-05-26T02:33:21Z)
• Deep Face Super-Resolution with Iterative Collaboration between Attentive Recovery and Landmark Estimation [92.86123832948809]
  本稿では,2つの繰り返しネットワーク間の反復的協調による深層面超解像(FSR)手法を提案する。 各繰り返しステップにおいて、リカバリブランチは、ランドマークの事前の知識を利用して、高品質な画像を生成する。 新しい注意融合モジュールはランドマークマップのガイダンスを強化するために設計されている。
  論文  参考訳（メタデータ） (2020-03-29T16:04:48Z)

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。