論文の概要: Structure-Preserving Image Super-Resolution
- arxiv url: http://arxiv.org/abs/2109.12530v1
- Date: Sun, 26 Sep 2021 08:48:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-28 15:27:45.959645
- Title: Structure-Preserving Image Super-Resolution
- Title(参考訳): 構造保存画像スーパーリゾリューション
- Authors: Cheng Ma, Yongming Rao, Jiwen Lu, Jie Zhou
- Abstract要約: 単一画像超解像(SISR)の構造
近年の研究では、フォトリアリスティック画像の復元によるSISRの開発が進められている。
しかし、回収された画像にはいまだ望ましくない構造歪みがある。
- 参考スコア(独自算出の注目度): 94.16949589128296
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Structures matter in single image super-resolution (SISR). Benefiting from
generative adversarial networks (GANs), recent studies have promoted the
development of SISR by recovering photo-realistic images. However, there are
still undesired structural distortions in the recovered images. In this paper,
we propose a structure-preserving super-resolution (SPSR) method to alleviate
the above issue while maintaining the merits of GAN-based methods to generate
perceptual-pleasant details. Firstly, we propose SPSR with gradient guidance
(SPSR-G) by exploiting gradient maps of images to guide the recovery in two
aspects. On the one hand, we restore high-resolution gradient maps by a
gradient branch to provide additional structure priors for the SR process. On
the other hand, we propose a gradient loss to impose a second-order restriction
on the super-resolved images, which helps generative networks concentrate more
on geometric structures. Secondly, since the gradient maps are handcrafted and
may only be able to capture limited aspects of structural information, we
further extend SPSR-G by introducing a learnable neural structure extractor
(NSE) to unearth richer local structures and provide stronger supervision for
SR. We propose two self-supervised structure learning methods, contrastive
prediction and solving jigsaw puzzles, to train the NSEs. Our methods are
model-agnostic, which can be potentially used for off-the-shelf SR networks.
Experimental results on five benchmark datasets show that the proposed methods
outperform state-of-the-art perceptual-driven SR methods under LPIPS, PSNR, and
SSIM metrics. Visual results demonstrate the superiority of our methods in
restoring structures while generating natural SR images. Code is available at
https://github.com/Maclory/SPSR.
- Abstract(参考訳): 単一画像超解像(sisr)における構造物質。
GAN(Generative Adversarial Network)の利点を生かした最近の研究は、フォトリアリスティック画像の復元によるSISRの開発を促進している。
しかし、回収された画像にはまだ望ましくない構造歪みがある。
本稿では,gan方式の利点を維持しつつ,上記の問題を緩和する構造保存型超解像(spsr)法を提案する。
まず、画像の勾配マップを利用して2つの側面の回復を誘導する勾配誘導付きSPSR(SPSR-G)を提案する。
一方,高分解能勾配写像を勾配分岐により復元し,sr過程の事前構造を付加する。
一方,超解像の2次制限を課す勾配損失は,生成ネットワークが幾何構造により集中するのに役立つ。
第2に、勾配写像は手作りであり、構造情報の限られた面のみを捉えることができるため、学習可能なニューラルネットワーク抽出器(NSE)を導入して、よりリッチな局所構造を探索し、より強力なSRの監督を提供することにより、SPSR-Gをさらに拡張する。
NSEを学習するための2つの自己教師型構造学習手法,コントラスト予測とジグソーパズルの解法を提案する。
本手法は,市販のSRネットワークで使用可能なモデルに依存しない。
5つのベンチマークデータセットによる実験結果から,提案手法はLPIPS,PSNR,SSIMの計測値において,最先端の知覚駆動SR法よりも優れていた。
自然なSR画像を生成しながら構造復元における手法の優位性を示す。
コードはhttps://github.com/Maclory/SPSR.comで入手できる。
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) - Bridging Component Learning with Degradation Modelling for Blind Image
Super-Resolution [69.11604249813304]
視覚障害者のためのコンポーネント分解・協調最適化ネットワーク(CDCN)を提案する。
CDCNは入力LR画像を特徴空間の構造と詳細成分に分解する。
本稿では,HR画像の細部と構造復元過程を協調的に監督する,劣化駆動型学習戦略を提案する。
論文 参考訳(メタデータ) (2022-12-03T14:53:56Z) - Learning Detail-Structure Alternative Optimization for Blind
Super-Resolution [69.11604249813304]
そこで我々は,ブラインドSRに先立ってカーネルを曖昧にすることなく,再帰的な詳細構造代替最適化を実現する,有効かつカーネルフリーなネットワークDSSRを提案する。
DSSRでは、細部構造変調モジュール(DSMM)が構築され、画像の詳細と構造の相互作用と協調を利用する。
本手法は既存の手法に対して最先端の手法を実現する。
論文 参考訳(メタデータ) (2022-12-03T14:44:17Z) - The Best of Both Worlds: a Framework for Combining Degradation
Prediction with High Performance Super-Resolution Networks [14.804000317612305]
本稿では,ブラインドSR予測機構とディープSRネットワークを組み合わせるためのフレームワークを提案する。
我々は、我々のハイブリッドモデルが、非盲目モデルと盲目モデルの両方よりも強いSR性能を一貫して達成していることを示す。
論文 参考訳(メタデータ) (2022-11-09T16:49:35Z) - 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 Structral coherence Via Generative Adversarial Network for
Single Image Super-Resolution [13.803141755183827]
近年,GAN(Generative Adversarial Network)に基づくSISR法により,全体の現実的SR画像が得られた。
SRプロセスにおける高分解能勾配図の復元により構造情報を保存するため, 発電機に勾配分岐を導入する。
さらに、U-netベースの判別器を用いて、画像全体と画素ごとの詳細な認証の両方について検討する。
論文 参考訳(メタデータ) (2021-01-25T15:26:23Z) - Blind Quality Assessment for Image Superresolution Using Deep Two-Stream
Convolutional Networks [41.558981828761574]
我々は,非参照深部ニューラルネットワークを用いたSR画像品質評価器(DeepSRQ)を提案する。
様々な歪んだSR画像のより識別的な特徴表現を学習するために、提案したDeepSRQは2ストリームの畳み込みネットワークである。
3つの公開SR画像品質データベースの実験結果から,提案したDeepSRQの有効性と一般化能力を示す。
論文 参考訳(メタデータ) (2020-04-13T19:14:28Z) - Structure-Preserving Super Resolution with Gradient Guidance [87.79271975960764]
単一画像超解像(SISR)の構造
最近のGAN(Generative Adversarial Network)による研究は、SISRの開発を促進している。
しかし、復元された画像には常に望ましくない構造歪みがある。
論文 参考訳(メタデータ) (2020-03-29T17:26:58Z)
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。