論文の概要: A Systematic Survey of Deep Learning-based Single-Image Super-Resolution
- arxiv url: http://arxiv.org/abs/2109.14335v2
- Date: Fri, 12 Apr 2024 08:37:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-15 20:30:27.740357
- Title: A Systematic Survey of Deep Learning-based Single-Image Super-Resolution
- Title（参考訳）: 深層学習に基づく単一画像超解像のシステム的調査
- Authors: Juncheng Li, Zehua Pei, Wenjie Li, Guangwei Gao, Longguang Wang, Yingqian Wang, Tieyong Zeng,
- Abstract要約: 単一像超解像(SISR)は画像処理において重要な課題であり、画像システムの解像度を高めることを目的としている。
最近、SISRは大きな飛躍を遂げ、ディープラーニング(DL)の助けを借りて有望な成果を上げている。
- 参考スコア（独自算出の注目度）: 44.40478296457616
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Single-image super-resolution (SISR) is an important task in image processing, which aims to enhance the resolution of imaging systems. Recently, SISR has made a huge leap and has achieved promising results with the help of deep learning (DL). In this survey, we give an overview of DL-based SISR methods and group them according to their design targets. Specifically, we first introduce the problem definition, research background, and the significance of SISR. Secondly, we introduce some related works, including benchmark datasets, upsampling methods, optimization objectives, and image quality assessment methods. Thirdly, we provide a detailed investigation of SISR and give some domain-specific applications of it. Fourthly, we present the reconstruction results of some classic SISR methods to intuitively know their performance. Finally, we discuss some issues that still exist in SISR and summarize some new trends and future directions. This is an exhaustive survey of SISR, which can help researchers better understand SISR and inspire more exciting research in this field. An investigation project for SISR is provided at https://github.com/CV-JunchengLi/SISR-Survey.
- Abstract（参考訳）: 単一像超解像(SISR)は画像処理において重要な課題であり、画像システムの解像度を高めることを目的としている。
近年、SISRは大きな飛躍を遂げ、ディープラーニング(DL)の助けを借りて有望な成果を上げている。
本稿では,DLをベースとしたSISR手法の概要を述べるとともに,その設計目標に応じてグループ化する。
具体的には、まず問題定義、研究背景、SISRの重要性を紹介する。
第2に,ベンチマークデータセット,アップサンプリング手法,最適化目標,画像品質評価手法などの関連研究を紹介する。
第3に、SISRの詳細な調査とドメイン固有の応用について述べる。
第4に,古典的なSISR手法の再構築結果を直感的に示す。
最後に、SISRに残っているいくつかの問題について議論し、新しいトレンドと今後の方向性について要約する。
これはSISRの徹底的な調査であり、研究者がSISRをより深く理解し、この分野のよりエキサイティングな研究を促すのに役立つ。
SISRの調査プロジェクトはhttps://github.com/CV-JunchengLi/SISR-Surveyで提供されている。
関連論文リスト
- UnmixingSR: Material-aware Network with Unsupervised Unmixing as Auxiliary Task for Hyperspectral Image Super-resolution [5.167168688234238]
本論文では、UnmixingSRと呼ばれる、コンポーネント対応ハイパースペクトル画像(HIS)超解像ネットワークを提案する。
我々は、SR問題の解法における方法の安定性を高めるために、LR量とHR量との結合を用いる。
実験結果から,SR問題に組み込まれた補助的タスクとしてのアンミックスプロセスが実現可能で合理的であることが示唆された。
論文 参考訳（メタデータ） (2024-07-09T03:41:02Z) - Beyond Image Super-Resolution for Image Recognition with Task-Driven Perceptual Loss [47.36902705025445]
画像認識のための超解法(SR4IR)は、画像認識性能に有用なSR画像の生成をガイドする。
本稿では,SR4IRが,特定の画像認識タスクに有用なSR画像を生成することで,優れたタスク性能を実現することを実証する。
論文 参考訳（メタデータ） (2024-04-02T06:52:31Z) - Exploiting Self-Supervised Constraints in Image Super-Resolution [72.35265021054471]
本稿では,SSC-SRと呼ばれる単一画像超解像のための新しい自己監督制約を提案する。
SSC-SRは、安定性を高めるために指数移動平均によって更新された二重非対称パラダイムとターゲットモデルを用いることで、画像の複雑さのばらつきに一意に対処する。
SSC-SRフレームワークはさまざまなベンチマークデータセットに対して,EDSR平均0.1dB,SwinIR平均0.06dBの大幅な拡張を実現している。
論文 参考訳（メタデータ） (2024-03-30T06:18:50Z) - Guided Depth Map Super-resolution: A Survey [88.54731860957804]
誘導深度マップ超解像(GDSR)は、高分解能(HR)深度マップを低分解能(LR)観測から2枚のHRカラー画像の助けを借りて再構成することを目的としている。
近年,特に強力な深層学習技術を用いて,斬新で効果的なアプローチが多数提案されている。
この調査は、GDSRの最近の進歩に関する包括的調査を提示する試みである。
論文 参考訳（メタデータ） (2023-02-19T15:43:54Z) - 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) - Generative Adversarial Networks for Image Super-Resolution: A Survey [101.39605080291783]
単一画像超解像(SISR)は画像処理の分野で重要な役割を果たしている。
近年のGAN(Generative Adversarial Network)は,小サンプルを用いた低解像度画像に対して優れた結果が得られる。
本稿では,異なる視点からGANの比較研究を行う。
論文 参考訳（メタデータ） (2022-04-28T16:35:04Z) - Real-World Single Image Super-Resolution: A Brief Review [44.14123585227239]
単一画像超解像(SISR)は、低解像(LR)観測から高解像(HR)画像を再構成することを目的とする。
深層学習に基づく超解像法が注目され,合成データの再構成性能が大幅に向上した。
論文 参考訳（メタデータ） (2021-03-03T12:41:44Z) - A Comprehensive Review of Deep Learning-based Single Image
Super-resolution [4.234711903716694]
この調査は、ディープラーニングの観点からの超解像の分野での最近の進歩を詳細に調査する試みである。
本調査は,画像sr法を,古典法,教師付き学習法,教師なし学習法,ドメイン固有sr法という4つのカテゴリに分類した。
SRの深層学習に基づくアプローチは参照データセットを用いて評価される。
論文 参考訳（メタデータ） (2021-02-18T14:04:25Z) - Video Super Resolution Based on Deep Learning: A Comprehensive Survey [87.30395002197344]
深層学習に基づく33の最先端ビデオ超解像法(VSR)を包括的に検討した。
そこで本研究では,フレーム間情報を利用した分類手法を提案し,その手法を6つのサブカテゴリに分類する。
いくつかのベンチマークデータセットにおける代表的VSR法の性能を要約し比較する。
論文 参考訳（メタデータ） (2020-07-25T13:39:54Z)
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。