論文の概要: Enhancing Multi-Scale Implicit Learning in Image Super-Resolution with Integrated Positional Encoding

• arxiv url: http://arxiv.org/abs/2112.05756v1
• Date: Fri, 10 Dec 2021 06:09:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-18 20:19:26.269840
• Title: Enhancing Multi-Scale Implicit Learning in Image Super-Resolution with Integrated Positional Encoding
• Title（参考訳）: 統合位置符号化による画像超解像におけるマルチスケール暗黙学習の強化
• Authors: Ying-Tian Liu, Yuan-Chen Guo, Song-Hai Zhang
• Abstract要約: 画像超解像コンテキストにおいて,各画素を局所領域からの信号の集約とみなす。 画素領域上の周波数情報を集約することで従来の位置符号化を拡張した位置符号化(IPE)を提案する。 IPE-LIIFの定量的および定性的評価による有効性を示し、さらに画像スケールへのIPEの一般化能力を示す。
• 参考スコア（独自算出の注目度）: 4.781615891172263
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Is the center position fully capable of representing a pixel? There is nothing wrong to represent pixels with their centers in a discrete image representation, but it makes more sense to consider each pixel as the aggregation of signals from a local area in an image super-resolution (SR) context. Despite the great capability of coordinate-based implicit representation in the field of arbitrary-scale image SR, this area's nature of pixels is not fully considered. To this end, we propose integrated positional encoding (IPE), extending traditional positional encoding by aggregating frequency information over the pixel area. We apply IPE to the state-of-the-art arbitrary-scale image super-resolution method: local implicit image function (LIIF), presenting IPE-LIIF. We show the effectiveness of IPE-LIIF by quantitative and qualitative evaluations, and further demonstrate the generalization ability of IPE to larger image scales and multiple implicit-based methods. Code will be released.
• Abstract（参考訳）: 中心位置は完全にピクセルを表すことができるか? 個々の画像表現において中心となるピクセルを表現することは誤りではないが、画像超解像(SR)コンテキストにおいて各ピクセルを局所的な領域からの信号の集合と見なすことは理にかなっている。 任意のスケールの画像 SR の分野における座標ベースの暗黙表現の優れた能力にもかかわらず、この領域のピクセルの性質は十分に考慮されていない。 そこで本研究では,画素領域の周波数情報を集約することで従来の位置符号化を拡張し,ipe(integrated positional encoding)を提案する。 IPE-LIIFを提示する局所暗黙画像関数 (LIIF) を, 最先端の任意のスケール画像超解像法に適用する。 IPE-LIIFの定量的および定性評価による有効性を示し、さらに画像スケールと複数の暗黙的手法に対するIPEの一般化能力を示す。 コードはリリースされる。

関連論文リスト

• Exploring Multi-view Pixel Contrast for General and Robust Image Forgery Localization [4.8454936010479335]
  本稿では,画像フォージェリーローカライゼーションのための多視点Pixel-wise Contrastive Algorithm (MPC)を提案する。 具体的には、まず、教師付きコントラスト損失を伴うバックボーンネットワークを事前訓練する。 次に、クロスエントロピー損失を用いてローカライゼーションヘッドを微調整し、ピクセルローカライザを改良する。
  論文  参考訳（メタデータ） (2024-06-19T13:51:52Z)
• Pixel-Inconsistency Modeling for Image Manipulation Localization [59.968362815126326]
  デジタル画像法医学は、画像認証と操作のローカライゼーションにおいて重要な役割を果たす。 本稿では,画素不整合アーチファクトの解析を通じて,一般化されたロバストな操作ローカライゼーションモデルを提案する。 実験により,本手法は固有の画素不整合偽指紋を抽出することに成功した。
  論文  参考訳（メタデータ） (2023-09-30T02:54:51Z)
• Dynamic Implicit Image Function for Efficient Arbitrary-Scale Image Representation [24.429100808481394]
  任意の解像度の画像を高速かつ効率的に表現できる動的インプリシット画像関数(DIIF)を提案する。 本稿では,座標スライスから画素値スライスへのデコードを可能にする座標グルーピングとスライス戦略を提案する。 動的座標スライシングにより、DIIFは任意のスケールのSRに遭遇する際の計算コストを大幅に削減する。
  論文  参考訳（メタデータ） (2023-06-21T15:04:34Z)
• OPE-SR: Orthogonal Position Encoding for Designing a Parameter-free Upsampling Module in Arbitrary-scale Image Super-Resolution [11.74426147465809]
  インプリシット・ニューラル表現(INR)は、任意のスケールの画像超解像に対する一般的なアプローチである。 我々は、任意のスケールの画像超解像のためにINRベースのアップサンプリングモジュールを置き換えるOPE-Upscaleモジュールを提案する。
  論文  参考訳（メタデータ） (2023-03-02T09:26:14Z)
• Single Image Super-Resolution via a Dual Interactive Implicit Neural Network [5.331665215168209]
  本稿では,任意のスケール因子における単一画像の超解像処理のための新しい暗黙的ニューラルネットワークを提案する。 公開されているベンチマークデータセット上で、最先端技術に対するアプローチの有効性と柔軟性を実証する。
  論文  参考訳（メタデータ） (2022-10-23T02:05:19Z)
• Adaptive Local Implicit Image Function for Arbitrary-scale Super-resolution [61.95533972380704]
  局所暗黙画像関数(LIIF)は、対応する座標を入力として、画素値が拡張される連続関数として画像を表す。 LIIFは任意のスケールの超解像タスクに適用でき、その結果、様々なアップスケーリング要因に対して単一の効率的かつ効率的なモデルが得られる。 この問題を軽減するために,新しい適応型局所像関数(A-LIIF)を提案する。
  論文  参考訳（メタデータ） (2022-08-07T11:23:23Z)
• Deep Posterior Distribution-based Embedding for Hyperspectral Image Super-resolution [75.24345439401166]
  本稿では,高スペクトル画像の高次元空間スペクトル情報を効率的に効率的に埋め込む方法について述べる。 我々は,HS埋め込みを,慎重に定義されたHS埋め込みイベントの集合の後方分布の近似として定式化する。 そして,提案手法を物理的に解釈可能なソース一貫性超解像フレームワークに組み込む。 3つの一般的なベンチマークデータセットに対する実験により、PDE-Netは最先端の手法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2022-05-30T06:59:01Z)
• 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)
• Steering Self-Supervised Feature Learning Beyond Local Pixel Statistics [60.92229707497999]
  画像の特定の変換の識別に基づく自己教師型特徴学習の新しい原理を提案する。 実験により,LCI,画像ワープ,回転などの変換を識別する学習が,技術一般化能力の状態を特徴付けることを示した。
  論文  参考訳（メタデータ） (2020-04-05T22:09:08Z)
• A U-Net Based Discriminator for Generative Adversarial Networks [86.67102929147592]
  GAN(Generative Adversarial Network)のための代替U-Netベースの識別器アーキテクチャを提案する。 提案アーキテクチャにより,合成画像のグローバルコヒーレンスを維持しつつ,画素単位の詳細なフィードバックを生成元に提供することができる。 斬新な判別器は、標準分布と画像品質の指標の観点から、最先端の技術を向上する。
  論文  参考訳（メタデータ） (2020-02-28T11:16:54Z)

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。