Fugu-MT 論文翻訳(概要): Functional Neural Networks for Parametric Image Restoration Problems

論文の概要: Functional Neural Networks for Parametric Image Restoration Problems

arxiv url: http://arxiv.org/abs/2111.00361v1
Date: Sat, 30 Oct 2021 23:03:46 GMT
ステータス: 処理完了
システム内更新日: 2021-11-02 16:55:47.628653
Title: Functional Neural Networks for Parametric Image Restoration Problems
Title（参考訳）: パラメトリック画像復元問題のための機能ニューラルネットワーク
Authors: Fangzhou Luo, Xiaolin Wu, Yanhui Guo
Abstract要約: ほぼ全ての画像復元問題は、超解像のスケール係数など、密接に関連するパラメータを持つ。パラメトリック画像復元問題を1つのモデルで解くために,関数型ニューラルネットワーク (FuncNet) を提案する。
参考スコア（独自算出の注目度）: 27.82352879160169
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Almost every single image restoration problem has a closely related parameter, such as the scale factor in super-resolution, the noise level in image denoising, and the quality factor in JPEG deblocking. Although recent studies on image restoration problems have achieved great success due to the development of deep neural networks, they handle the parameter involved in an unsophisticated way. Most previous researchers either treat problems with different parameter levels as independent tasks, and train a specific model for each parameter level; or simply ignore the parameter, and train a single model for all parameter levels. The two popular approaches have their own shortcomings. The former is inefficient in computing and the latter is ineffective in performance. In this work, we propose a novel system called functional neural network (FuncNet) to solve a parametric image restoration problem with a single model. Unlike a plain neural network, the smallest conceptual element of our FuncNet is no longer a floating-point variable, but a function of the parameter of the problem. This feature makes it both efficient and effective for a parametric problem. We apply FuncNet to super-resolution, image denoising, and JPEG deblocking. The experimental results show the superiority of our FuncNet on all three parametric image restoration tasks over the state of the arts.
Abstract（参考訳）: ほぼ全ての画像復元問題は、超解像におけるスケール係数、画像のノイズレベル、JPEGデブロッキングにおける品質係数など、密接に関連するパラメータを持つ。画像復元問題に関する最近の研究は、ディープニューラルネットワークの開発によって大きな成功を収めているが、それらは未解明な方法でパラメータを扱う。以前のほとんどの研究者は、異なるパラメータレベルの問題を独立したタスクとして扱い、各パラメータレベルの特定のモデルをトレーニングするか、単にパラメータを無視し、すべてのパラメータレベルの単一のモデルをトレーニングする。 2つの一般的なアプローチには、独自の欠点がある。前者はコンピューティングにおいて非効率であり、後者は性能において非効率である。本研究では,機能的ニューラルネットワーク(FuncNet)と呼ばれる新しいシステムを提案し,パラメトリック画像復元問題を1つのモデルで解く。単純なニューラルネットワークとは異なり、私たちのファンクネットの最小の概念要素はもはや浮動小数点変数ではなく、問題のパラメータの関数である。この機能はパラメトリック問題に対して効率的かつ効果的である。我々はFuncNetを超解像度、画像デノーミング、JPEGデブロッキングに適用する。実験の結果,3つのパラメトリック画像復元作業におけるFuncNetの優位性を示した。

関連論文リスト

HAIR: Hypernetworks-based All-in-One Image Restoration [46.681872835394095]
HairはHypernetworksベースのオールインワンイメージ復元プラグイン・アンド・プレイ方式である。入力画像に基づいてパラメータを生成し、モデルを動的に特定の劣化に適応させる。シングルタスクとオールインワンの設定の両方において、既存の画像復元モデルの性能をプラグアンドプレイで大幅に向上させることができる。
論文参考訳（メタデータ） (2024-08-15T11:34:33Z)
Multi-Modal Parameter-Efficient Fine-tuning via Graph Neural Network [2.12696199609647]
本稿では,グラフネットワークに基づくマルチモーダルパラメータ効率の微調整手法を提案する。提案したモデルでは,OxfordPets,Flowers102,Food101の各データセットでそれぞれ4.45%,2.92%,0.23%の改善が達成されている。
論文参考訳（メタデータ） (2024-08-01T05:24:20Z)
Parameter-Inverted Image Pyramid Networks [49.35689698870247]
Inverted Image Pyramid Networks (PIIP) と呼ばれる新しいネットワークアーキテクチャを提案する。私たちの中核となる考え方は、パラメータサイズの異なるモデルを使用して、画像ピラミッドの解像度の異なるレベルを処理することです。 PIIPは、オブジェクト検出、セグメンテーション、画像分類などのタスクにおいて優れたパフォーマンスを達成する。
論文参考訳（メタデータ） (2024-06-06T17:59:10Z)
Bridging Vision and Language Encoders: Parameter-Efficient Tuning for Referring Image Segmentation [72.27914940012423]
画像セグメンテーションの参照における効率的なチューニング問題について検討する。クロスモーダル情報交換を容易にするBridgerと呼ばれる新しいアダプタを提案する。画像分割のための軽量デコーダも設計する。
論文参考訳（メタデータ） (2023-07-21T12:46:15Z)
Restormer: Efficient Transformer for High-Resolution Image Restoration [118.9617735769827]
畳み込みニューラルネットワーク(CNN)は、大規模データから一般化可能な画像の事前学習をうまく行う。トランスフォーマーは、自然言語とハイレベルな視覚タスクにおいて、顕著なパフォーマンス向上を示している。我々のモデルであるRecovery Transformer (Restormer) は、いくつかの画像復元タスクにおいて最先端の結果を得る。
論文参考訳（メタデータ） (2021-11-18T18:59:10Z)
Recurrent Parameter Generators [42.159272098922685]
本稿では,多くの異なる畳み込み層に対して同じパラメータを反復的に使用してディープネットワークを構築するための汎用的手法を提案する。我々は,従来のCNNモデルと同じような性能を実現するために,一層ニューラルネットワークを構築する方法を示す。
論文参考訳（メタデータ） (2021-07-15T04:23:59Z)
Training a Better Loss Function for Image Restoration [17.20936270604533]
単一画像のスーパーレゾリューションで最先端の損失関数を上回る軽量な特徴抽出器を訓練するには,単一の自然画像だけで十分であることを示す。発電機が導入した誤差を罰するように訓練された一連の識別器からなる新しいマルチスケール識別特徴(MDF)損失を提案する。
論文参考訳（メタデータ） (2021-03-26T17:29:57Z)
Asymmetric CNN for image super-resolution [102.96131810686231]
深層畳み込みニューラルネットワーク(CNN)は、過去5年間で低レベルビジョンに広く適用されています。画像超解像のための非対称ブロック(AB)、mem?ory拡張ブロック(MEB)、高周波数特徴強調ブロック(HFFEB)からなる非対称CNN(ACNet)を提案する。我々のACNetは、ブラインドノイズの単一画像超解像(SISR)、ブラインドSISR、ブラインドSISRを効果的に処理できる。
論文参考訳（メタデータ） (2021-03-25T07:10:46Z)
Image Restoration by Deep Projected GSURE [115.57142046076164]
Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
論文参考訳（メタデータ） (2021-02-04T08:52:46Z)
Powers of layers for image-to-image translation [60.5529622990682]
本稿では,未ペア画像から画像への変換タスクに対処するシンプルなアーキテクチャを提案する。固定重み付きイメージオートエンコーダアーキテクチャから始める。各タスクに対して、潜在空間で動作している残留ブロックを学習し、ターゲット領域に到達するまで繰り返し呼び出される。
論文参考訳（メタデータ） (2020-08-13T09:02:17Z)
A deep primal-dual proximal network for image restoration [8.797434238081372]
我々は、プリミティブ・デュアル・イテレーションから構築されたディープPDNetというディープネットワークを設計し、前もって分析を行い、標準的なペナル化可能性の最小化を図った。フルラーニング」と「パートラーニング」の2つの異なる学習戦略が提案され、第1は最も効率的な数値である。以上の結果から,提案したDeepPDNetは,MNISTと,より複雑なBSD68,BSD100,SET14データセットにおいて,画像復元と単一画像超解像処理に優れた性能を示した。
論文参考訳（メタデータ） (2020-07-02T08:29:52Z)

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。