論文の概要: Localized Super Resolution for Foreground Images using U-Net and MR-CNN
- arxiv url: http://arxiv.org/abs/2110.14413v1
- Date: Wed, 27 Oct 2021 13:18:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-28 21:27:20.348947
- Title: Localized Super Resolution for Foreground Images using U-Net and MR-CNN
- Title（参考訳）: U-NetとMR-CNNを用いた前景画像の局所超解像
- Authors: Umashankar Kumaravelan and Nivedita M
- Abstract要約: Super Resolutionの応用の1つは、ポートレート画像の品質を高めることである。
ポートレート画像は、主にフレーム内のメインオブジェクトの本質をキャプチャすることに焦点を当てた画像である。
本稿では,U-Net for Super ResolutionとMask Region Based CNN(MR-CNN)を組み合わせた畳み込みニューラルネットワーク(CNN)アーキテクチャの性能について述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Images play a vital role in understanding data through visual representation.
It gives a clear representation of the object in context. But if this image is
not clear it might not be of much use. Thus, the topic of Image Super
Resolution arose and many researchers have been working towards applying
Computer Vision and Deep Learning Techniques to increase the quality of images.
One of the applications of Super Resolution is to increase the quality of
Portrait Images. Portrait Images are images which mainly focus on capturing the
essence of the main object in the frame, where the object in context is
highlighted whereas the background is occluded. When performing Super
Resolution the model tries to increase the overall resolution of the image. But
in portrait images the foreground resolution is more important than that of the
background. In this paper, the performance of a Convolutional Neural Network
(CNN) architecture known as U-Net for Super Resolution combined with Mask
Region Based CNN (MR-CNN) for foreground super resolution is analysed. This
analysis is carried out based on Localized Super Resolution i.e. We pass the LR
Images to a pre-trained Image Segmentation model (MR-CNN) and perform super
resolution inference on the foreground or Segmented Images and compute the
Structural Similarity Index (SSIM) and Peak Signal-to-Noise Ratio (PSNR)
metrics for comparisons.
- Abstract（参考訳）: 画像は視覚的表現を通じてデータを理解する上で重要な役割を果たす。
これはコンテキストにおけるオブジェクトの明確な表現を与える。
しかし、もしこの画像が明確でなければ、あまり役に立たないかもしれない。
そこで、画像スーパーレゾリューションの話題が生まれ、多くの研究者が画像の品質を高めるためにコンピュータビジョンとディープラーニング技術の適用に取り組んできた。
Super Resolutionの応用の1つは、ポートレート画像の品質を高めることである。
ポートレートイメージは、主にフレーム内のメインオブジェクトのエッセンスをキャプチャすることに焦点を当てたイメージであり、コンテキスト内のオブジェクトがハイライトされ、背景がオクルードされる。
スーパーレゾリューションを実行するとき、モデルは画像全体の解像度を高めようとします。
しかし肖像画では、背景よりも前景の解像度が重要である。
本稿では,U-Net for Super ResolutionとMask Region Based CNN(MR-CNN)を組み合わせた畳み込みニューラルネットワーク(CNN)アーキテクチャの性能について述べる。
この分析は、局所化超分解能、すなわち、LRイメージを事前訓練された画像分割モデル(MR-CNN)に渡して、前景または分割画像の超分解能推論を行い、比較のために構造類似度指数(SSIM)とピーク信号-雑音比(PSNR)のメトリクスを計算する。
関連論文リスト
- T-former: An Efficient Transformer for Image Inpainting [50.43302925662507]
トランスフォーマーと呼ばれる注目に基づくネットワークアーキテクチャのクラスは、自然言語処理の分野で大きなパフォーマンスを示している。
本稿では,Taylorの展開に応じて,解像度に線形に関連付けられた新たな注意を設計し,この注意に基づいて,画像インペイントのためのネットワークである$T$-formerを設計する。
いくつかのベンチマークデータセットの実験により,提案手法は比較的少ないパラメータ数と計算複雑性を維持しつつ,最先端の精度を達成できることが示されている。
論文 参考訳（メタデータ） (2023-05-12T04:10:42Z) - Single-Image Super-Resolution Reconstruction based on the Differences of
Neighboring Pixels [3.257500143434429]
深層学習技術は、単一画像超解像(SISR)の性能向上に用いられた。
本稿では,推定画像と接地構造画像からグラフを構築することにより,CNNを正規化するための隣接画素の違いを提案する。
提案手法は, ベンチマークデータセットの定量的, 質的評価の観点から, 最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2022-12-28T07:30:07Z) - 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) - Image Super-resolution with An Enhanced Group Convolutional Neural
Network [102.2483249598621]
学習能力の強いCNNは、超解像問題を解くために広く選択されている。
浅層構造を持つ超解像群CNN(ESRGCNN)を提案する。
ESRGCNNは、SISRの性能、複雑さ、実行速度、画質評価およびSISRの視覚効果の観点から、最先端技術を上回っていると報告されている。
論文 参考訳（メタデータ） (2022-05-29T00:34:25Z) - 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) - An Evolution of CNN Object Classifiers on Low-Resolution Images [0.4129225533930965]
低画質画像からのオブジェクト分類は、対象色、アスペクト比、乱れ背景のばらつきに対して困難である。
深層畳み込みニューラルネットワーク(DCNN)は、高解像度画像からオブジェクト分類の課題に直面する非常に強力なシステムとして実証されています。
本稿では,DCNNアーキテクチャを用いて低品質画像を正確に分類する最適アーキテクチャについて検討する。
論文 参考訳（メタデータ） (2021-01-03T18:44:23Z) - Cascade Convolutional Neural Network for Image Super-Resolution [15.650515790147189]
画像超解像のためのカスケード畳み込みニューラルネットワーク(CSRCNN)を提案する。
異なるスケールのイメージを同時にトレーニングすることができ、学習されたネットワークは、異なるスケールのイメージに存在する情報をフル活用することができる。
論文 参考訳（メタデータ） (2020-08-24T11:34:03Z) - Deep Attentive Generative Adversarial Network for Photo-Realistic Image
De-Quantization [25.805568996596783]
減量子化は、高ビット深度画面に表示するための低ビット深度画像の視覚的品質を改善することができる。
本稿では,画像強度分解能の超解像を実現するためのDAGANアルゴリズムを提案する。
DenseResAttモジュールは、自己保持機構を備えた密集した残留ブロックで構成されている。
論文 参考訳（メタデータ） (2020-04-07T06:45:01Z) - 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) - PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of
Generative Models [77.32079593577821]
PULSE (Photo Upsampling via Latent Space Exploration) は、それまで文献になかった解像度で高解像度でリアルな画像を生成する。
本手法は, 従来よりも高分解能, スケールファクターの知覚品質において, 最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2020-03-08T16:44:31Z)
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。