論文の概要: High Quality Segmentation for Ultra High-resolution Images
- arxiv url: http://arxiv.org/abs/2111.14482v1
- Date: Mon, 29 Nov 2021 11:53:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-30 17:41:07.566692
- Title: High Quality Segmentation for Ultra High-resolution Images
- Title(参考訳): 超高解像度画像のための高品質セグメンテーション
- Authors: Tiancheng Shen, Yuechen Zhang, Lu Qi, Jason Kuen, Xingyu Xie, Jianlong
Wu, Zhe Lin, Jiaya Jia
- Abstract要約: 超高分解能セグメンテーション精錬作業のための連続精細モデルを提案する。
提案手法は画像分割精細化において高速かつ効果的である。
- 参考スコア(独自算出の注目度): 72.97958314291648
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To segment 4K or 6K ultra high-resolution images needs extra computation
consideration in image segmentation. Common strategies, such as down-sampling,
patch cropping, and cascade model, cannot address well the balance issue
between accuracy and computation cost. Motivated by the fact that humans
distinguish among objects continuously from coarse to precise levels, we
propose the Continuous Refinement Model~(CRM) for the ultra high-resolution
segmentation refinement task. CRM continuously aligns the feature map with the
refinement target and aggregates features to reconstruct these images' details.
Besides, our CRM shows its significant generalization ability to fill the
resolution gap between low-resolution training images and ultra high-resolution
testing ones. We present quantitative performance evaluation and visualization
to show that our proposed method is fast and effective on image segmentation
refinement. Code will be released at https://github.com/dvlab-research/Entity.
- Abstract(参考訳): 4Kまたは6Kの超高解像度画像は、画像分割において余分な計算量を必要とする。
ダウンサンプリング、パッチトリミング、カスケードモデルといった一般的な戦略は、精度と計算コストのバランスの問題にうまく対処できない。
超高分解能セグメンテーション精細化タスクにおいて,人間が連続的にオブジェクトを粗いレベルから正確なレベルに区別することから,連続リファインメントモデル~(CRM)を提案する。
crmは機能マップを改良対象と連続的に調整し、これらの画像の詳細を再構築する機能を集約する。
さらに,我々のcrmは,低解像度トレーニング画像と超高解像度テスト画像との解像度ギャップを埋めるための重要な一般化能力を示している。
本稿では,提案手法が高速かつ有効であることを示すため,定量的な性能評価と可視化を行う。
コードはhttps://github.com/dvlab-research/entityでリリースされる。
関連論文リスト
- Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。
核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。
提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
論文 参考訳(メタデータ) (2023-01-24T17:54:01Z) - 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) - Single Image Internal Distribution Measurement Using Non-Local
Variational Autoencoder [11.985083962982909]
本稿では,非局所変分オートエンコーダ(textttNLVAE)という画像固有解を提案する。
textttNLVAEは,非局所領域からの非絡み合った情報を用いて高解像度画像を再構成する自己教師型戦略として導入された。
7つのベンチマークデータセットによる実験結果から,textttNLVAEモデルの有効性が示された。
論文 参考訳(メタデータ) (2022-04-02T18:43:55Z) - Joint Calibrationless Reconstruction and Segmentation of Parallel MRI [21.227526213206545]
キャリブレーションレス並列MRI再構成のための新しい画像領域深層学習フレームワークを提案する。
提案した画像領域の深いキャリブレーションレスアプローチとセグメンテーションアルゴリズムの組み合わせにより,画質が向上した。
提案されている数ショットのトレーニング戦略では、パフォーマンス向上のためにセグメント化されたデータセットの10%しか必要としない。
論文 参考訳(メタデータ) (2021-05-19T16:04:20Z) - Best-Buddy GANs for Highly Detailed Image Super-Resolution [71.13466303340192]
我々は,低分解能(LR)入力に基づいて高分解能(HR)画像を生成する単一画像超解像(SISR)問題を考える。
このラインに沿ったほとんどのメソッドは、SISRタスクに十分な柔軟性がない、事前定義されたシングルLRシングルHRマッピングに依存しています。
リッチディテールSISRのためのベストバディGAN(Beby-GAN)を提案する。
イミュータブルな1対1の制約を緩和することで、推定されたパッチを動的に最高の監視を求めることができる。
論文 参考訳(メタデータ) (2021-03-29T02:58:27Z) - Foveation for Segmentation of Ultra-High Resolution Images [8.037287701125832]
本稿では、入力パッチの適切な設定(FoV/解像度トレードオフ)を適応的に選択し、下流セグメンテーションモデルにフィードする、学習可能なデータローダであるFoveationモジュールを紹介する。
固定されたFoV/解像度トレードオフのパッチでトレーニングした場合よりも,Foveationモジュールはセグメンテーション性能を一貫して向上することを示す。
論文 参考訳(メタデータ) (2020-07-29T21:44:39Z) - CascadePSP: Toward Class-Agnostic and Very High-Resolution Segmentation
via Global and Local Refinement [0.0]
最先端のセマンティックセグメンテーション手法は、固定解像度範囲内の画像にのみ訓練された。
本稿では,高分解能トレーニングデータを用いることなく,高分解能セグメンテーション問題に対処する新しい手法を提案する。
論文 参考訳(メタデータ) (2020-05-06T01:38:03Z) - 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) - Gated Fusion Network for Degraded Image Super Resolution [78.67168802945069]
本稿では,基本特徴と回復特徴を別々に抽出する二分岐畳み込みニューラルネットワークを提案する。
特徴抽出ステップを2つのタスク非依存ストリームに分解することで、デュアルブランチモデルがトレーニングプロセスを容易にすることができる。
論文 参考訳(メタデータ) (2020-03-02T13:28:32Z)
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。