論文の概要: Resampling and super-resolution of hexagonally sampled images using deep
learning
- arxiv url: http://arxiv.org/abs/2111.02520v1
- Date: Wed, 3 Nov 2021 20:58:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-05 12:12:51.451777
- Title: Resampling and super-resolution of hexagonally sampled images using deep
learning
- Title（参考訳）: 深層学習によるヘキサゴナルサンプリング画像の再サンプリングと超解像
- Authors: Dylan Flaute, Russell C. Hardie, Hamed Elwarfalli
- Abstract要約: 超解像度(SR)は画像の解像度を高めることを目的としている。
応用には、セキュリティ、医療画像、物体認識などが含まれる。
ヘキサゴナルにサンプリングした低解像度画像を入力とし、矩形にサンプリングしたSR画像を出力として生成する深層学習型SRシステムを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Super-resolution (SR) aims to increase the resolution of imagery.
Applications include security, medical imaging, and object recognition. We
propose a deep learning-based SR system that takes a hexagonally sampled
low-resolution image as an input and generates a rectangularly sampled SR image
as an output. For training and testing, we use a realistic observation model
that includes optical degradation from diffraction and sensor degradation from
detector integration. Our SR approach first uses non-uniform interpolation to
partially upsample the observed hexagonal imagery and convert it to a
rectangular grid. We then leverage a state-of-the-art convolutional neural
network (CNN) architecture designed for SR known as Residual Channel Attention
Network (RCAN). In particular, we use RCAN to further upsample and restore the
imagery to produce the final SR image estimate. We demonstrate that this system
is superior to applying RCAN directly to rectangularly sampled LR imagery with
equivalent sample density. The theoretical advantages of hexagonal sampling are
well known. However, to the best of our knowledge, the practical benefit of
hexagonal sampling in light of modern processing techniques such as RCAN SR is
heretofore untested. Our SR system demonstrates a notable advantage of
hexagonally sampled imagery when employing a modified RCAN for hexagonal SR.
- Abstract（参考訳）: 超解像度(SR)は画像の解像度を高めることを目的としている。
アプリケーションには、セキュリティ、医療イメージング、オブジェクト認識が含まれる。
ヘキサゴナルにサンプリングした低解像度画像を入力とし、矩形にサンプリングしたSR画像を出力として生成する深層学習型SRシステムを提案する。
トレーニングやテストには、回折による光学劣化と検出器統合によるセンサ劣化を含む現実的な観察モデルを用いる。
我々のSRアプローチは、まず非一様補間を用いて、観測された六角形画像を部分的にアップサンプリングし、矩形格子に変換する。
次に,sr用に設計されたconvolutional neural network(cnn)アーキテクチャを,残留チャネルアテンションネットワーク(rcan)として活用する。
特に, RCAN を用いて画像のアップサンプリングと復元を行い, 最終的な SR 画像推定値を生成する。
本システムは, 正方形サンプルLR画像に対して, RCANを直接適用するよりも優れていることを示す。
ヘキサゴナルサンプリングの理論的利点はよく知られている。
しかし、我々の知る限りでは、RCAN SRのような現代的な処理技術に照らして六角形サンプリングの実用的メリットは、これまで実証されていない。
ヘキサゴナルSRに改良RCANを用いた場合,本システムでは六角形サンプル画像の顕著な利点が示される。
関連論文リスト
- Semantic Guided Large Scale Factor Remote Sensing Image Super-resolution with Generative Diffusion Prior [13.148815217684277]
大規模因子超解像(SR)アルゴリズムは、軌道から取得した低解像度(LR)衛星データの最大化に不可欠である。
既存の手法では、鮮明なテクスチャと正しい接地オブジェクトでSR画像を復元する際の課題に直面している。
本稿では,大規模リモートセンシング画像の超解像を実現するための新しいフレームワークであるセマンティックガイド拡散モデル(SGDM)を提案する。
論文 参考訳（メタデータ） (2024-05-11T16:06:16Z) - Efficient Test-Time Adaptation for Super-Resolution with Second-Order
Degradation and Reconstruction [62.955327005837475]
画像超解像(SR)は,低分解能(LR)から高分解能(HR)へのマッピングを,一対のHR-LRトレーニング画像を用いて学習することを目的としている。
SRTTAと呼ばれるSRの効率的なテスト時間適応フレームワークを提案し、SRモデルを異なる/未知の劣化型でテストドメインに迅速に適応させることができる。
論文 参考訳（メタデータ） (2023-10-29T13:58:57Z) - DCS-RISR: Dynamic Channel Splitting for Efficient Real-world Image
Super-Resolution [15.694407977871341]
実世界の画像超解像(RISR)は、未知の複雑な劣化下でのSR画像の品質向上に重点を置いている。
既存の手法は、分解レベルが異なる低解像度(LR)画像を強化するために重いSRモデルに依存している。
本稿では,DCS-RISRと呼ばれる高効率リアルタイム画像超解法のための動的チャネル分割方式を提案する。
論文 参考訳（メタデータ） (2022-12-15T04:34:57Z) - Real Image Super-Resolution using GAN through modeling of LR and HR
process [20.537597542144916]
LRモデルとSRモデルに組み込んだ学習可能な適応正弦波非線形性を提案し,分解分布を直接学習する。
定量的および定性的な実験において提案手法の有効性を実証する。
論文 参考訳（メタデータ） (2022-10-19T09:23:37Z) - Super-Resolution by Predicting Offsets: An Ultra-Efficient
Super-Resolution Network for Rasterized Images [47.684307267915024]
コンピュータグラフィックスのためのリアルタイムSRの新しい手法、すなわち予測オフセット(SRPO)による超解法を提案する。
我々のアルゴリズムは、画像を処理のために2つの部分、すなわちシャープエッジとフラットな領域に分割する。
実験により,提案したSRPOは既存の最先端手法よりも少ない計算コストで優れた視覚効果が得られることが示された。
論文 参考訳（メタデータ） (2022-10-09T08:16:36Z) - NeRF-SR: High-Quality Neural Radiance Fields using Super-Sampling [82.99453001445478]
主に低分解能(LR)入力を用いた高分解能(HR)新規ビュー合成のソリューションであるNeRF-SRを提案する。
提案手法は,多層パーセプトロンを用いて各点密度と色を予測するニューラルレージアンス場(NeRF)上に構築されている。
論文 参考訳（メタデータ） (2021-12-03T07:33:47Z) - Toward Real-World Super-Resolution via Adaptive Downsampling Models [58.38683820192415]
本研究では,制約のある事前知識を伴わずに未知のサンプル処理をシミュレートする手法を提案する。
対の例を使わずに対象LR画像の分布を模倣する汎用化可能な低周波損失(LFL)を提案する。
論文 参考訳（メタデータ） (2021-09-08T06:00:32Z) - Hierarchical Conditional Flow: A Unified Framework for Image
Super-Resolution and Image Rescaling [139.25215100378284]
画像SRと画像再スケーリングのための統合フレームワークとして階層的条件フロー(HCFlow)を提案する。
HCFlowは、LR画像と残りの高周波成分の分布を同時にモデル化することにより、HRとLR画像ペア間のマッピングを学習する。
さらに性能を高めるために、知覚的損失やGAN損失などの他の損失と、トレーニングで一般的に使用される負の対数類似損失とを組み合わせる。
論文 参考訳（メタデータ） (2021-08-11T16:11:01Z) - Real-World Super-Resolution of Face-Images from Surveillance Cameras [25.258587196435464]
本稿では,現実的なLR/HRトレーニングペアを生成するための新しいフレームワークを提案する。
本フレームワークは、実写のぼやけたカーネル、ノイズ分布、JPEG圧縮アーチファクトを推定し、ソース領域のものと類似した画像特性を持つLR画像を生成する。
我々はGANベースのSRモデルを用いて、よく使われるVGG-loss[24]とLPIPS-loss[52]を交換した。
論文 参考訳（メタデータ） (2021-02-05T11:38:30Z) - SRFlow: Learning the Super-Resolution Space with Normalizing Flow [176.07982398988747]
超解像度は、与えられた低解像度画像の複数の予測を可能にするため、不適切な問題である。
出力の条件分布を学習できる正規化フローベース超解法SRFlowを提案する。
我々のモデルは、単一損失、すなわち負のログ類似度を用いて、原則的に訓練されている。
論文 参考訳（メタデータ） (2020-06-25T06:34:04Z)
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。