論文の概要: Kernel-aware Raw Burst Blind Super-Resolution
- arxiv url: http://arxiv.org/abs/2112.07315v1
- Date: Tue, 14 Dec 2021 11:49:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-15 23:31:10.015308
- Title: Kernel-aware Raw Burst Blind Super-Resolution
- Title(参考訳): カーネルアウェアrawバーストブラインド超解像
- Authors: Wenyi Lian and Shanglian Peng
- Abstract要約: バースト超解像(SR)は、低画質の画像からリッチな詳細を復元する可能性を提供する。
既存の非盲点ネットワークは、高解像度(HR)画像の復元において、パフォーマンスが著しく低下する。
本稿では,カーネル対応の変形可能なアライメントモジュールを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Burst super-resolution (SR) provides a possibility of restoring rich details
from low-quality images. However, since low-resolution (LR) images in practical
applications have multiple complicated and unknown degradations, existing
non-blind (e.g., bicubic) designed networks usually lead to a severe
performance drop in recovering high-resolution (HR) images. Moreover, handling
multiple misaligned noisy raw inputs is also challenging. In this paper, we
address the problem of reconstructing HR images from raw burst sequences
acquired from modern handheld devices. The central idea is a kernel-guided
strategy which can solve the burst SR with two steps: kernel modeling and HR
restoring. The former estimates burst kernels from raw inputs, while the latter
predicts the super-resolved image based on the estimated kernels. Furthermore,
we introduce a kernel-aware deformable alignment module which can effectively
align the raw images with consideration of the blurry priors. Extensive
experiments on synthetic and real-world datasets demonstrate that the proposed
method can perform favorable state-of-the-art performance in the burst SR
problem.
- Abstract(参考訳): burst super- resolution (sr)は、低品質の画像からリッチな詳細を復元する機能を提供する。
しかし、実用アプリケーションにおける低解像度(LR)画像は複雑で未知の劣化が多発しているため、既存の非盲点(例えばバイコビック)設計のネットワークは通常、高解像度(HR)画像の復元に重大なパフォーマンス低下をもたらす。
さらに、複数の不整合生の入力を扱うことも困難である。
本稿では,現代のハンドヘルドデバイスから取得した生のバーストシーケンスからHR画像を再構成する問題に対処する。
中心となる考え方は、カーネルモデリングとHR復元という2つのステップでバーストSRを解くことができるカーネル誘導戦略である。
前者は生の入力からバーストカーネルを推定し、後者は推定されたカーネルに基づいて超解像を予測する。
さらに, ぼやけた前処理を考慮し, 生画像を効果的にアライメントできるカーネルアライメントモジュールを提案する。
合成および実世界のデータセットに対する大規模な実験により、バーストSR問題において、提案手法が好適な技術性能を発揮することを示した。
関連論文リスト
- Deep learning-based blind image super-resolution with iterative kernel reconstruction and noise estimation [3.2157163136267934]
視覚障害者のためのIKR-Net(Iterative Kernel Reconstruction Network)を提案する。
IKR-Netは、特に動きのぼやけたノイズの多い画像に対して、ブラインドSISRの最先端の結果を達成する。
論文 参考訳(メタデータ) (2024-04-25T12:27:22Z) - RBSR: Efficient and Flexible Recurrent Network for Burst
Super-Resolution [57.98314517861539]
バースト超解像(BurstSR)は、高解像度(HR)画像を低解像度(LR)画像と雑音画像から再構成することを目的としている。
本稿では,効率よくフレキシブルなリカレントネットワークでフレーム単位のキューを融合させることを提案する。
論文 参考訳(メタデータ) (2023-06-30T12:14:13Z) - Dual-Diffusion: Dual Conditional Denoising Diffusion Probabilistic
Models for Blind Super-Resolution Reconstruction in RSIs [6.2678394285548755]
条件付きデノゲーション拡散確率モデル(DDPM)に基づく新しいブラインドSRフレームワークを提案する。
本研究では,カーネル推定の進展と再構築の進展という2つの側面から,条件付き分散確率モデル(DDPM)を導入する。
我々は、LR画像からHR画像へのマッピングを学習するためのDDPMベースの再構成器を構築する。
論文 参考訳(メタデータ) (2023-05-20T11:18:38Z) - Towards Lightweight Super-Resolution with Dual Regression Learning [58.98801753555746]
深層ニューラルネットワークは、画像超解像(SR)タスクにおいて顕著な性能を示した。
SR問題は通常不適切な問題であり、既存の手法にはいくつかの制限がある。
本稿では、SRマッピングの可能な空間を削減するために、二重回帰学習方式を提案する。
論文 参考訳(メタデータ) (2022-07-16T12:46:10Z) - Kernel Adversarial Learning for Real-world Image Super-resolution [23.904933824966605]
本稿では,Kernel Adversarial Learning Super- resolutionフレームワークを導入することで,現実のイメージSRのための低解像度画像をよりリアルに合成するプロセスを提案する。
提案フレームワークでは、劣化カーネルとノイズを明示的に指定するのではなく適応的にモデル化する。
また、モデルSR再構成精度をさらに高めるために、高周波選択的目的と反復的監視プロセスを提案する。
論文 参考訳(メタデータ) (2021-04-19T01:51:21Z) - 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) - Deep Burst Super-Resolution [165.90445859851448]
バースト超解像タスクのための新しいアーキテクチャを提案する。
我々のネットワークは複数のノイズRAW画像を入力として取り出し、出力として分解された超解像RGB画像を生成する。
実世界のデータのトレーニングと評価を可能にするため,BurstSRデータセットも導入する。
論文 参考訳(メタデータ) (2021-01-26T18:57:21Z) - Frequency Consistent Adaptation for Real World Super Resolution [64.91914552787668]
実シーンにスーパーリゾリューション(SR)法を適用する際に周波数領域の整合性を保証する新しい周波数一貫性適応(FCA)を提案する。
監視されていない画像から劣化カーネルを推定し、対応するLow-Resolution (LR)画像を生成する。
ドメイン一貫性のあるLR-HRペアに基づいて、容易に実装可能な畳み込みニューラルネットワーク(CNN)SRモデルを訓練する。
論文 参考訳(メタデータ) (2020-12-18T08:25:39Z) - Blind Image Super-Resolution with Spatial Context Hallucination [5.849485167287474]
本稿では, 劣化カーネルを知らずに, 視覚的超解像のための空間文脈幻覚ネットワーク(SCHN)を提案する。
DIV2KとFlickr2Kという2つの高品質データセットでモデルをトレーニングします。
入力画像がランダムなぼかしとノイズで劣化した場合, 最先端の手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2020-09-25T22:36:07Z) - Deep Generative Adversarial Residual Convolutional Networks for
Real-World Super-Resolution [31.934084942626257]
我々は,超解像残差畳み込み生成共役ネットワーク(SRResCGAN)を提案する。
これは、生成したLRドメインからHRドメインの画素単位の監督でモデルを逆トレーニングすることで、現実世界の劣化設定に従う。
提案するネットワークは,画像の高精細化と凸最適化によるエネルギーベース目的関数の最小化により,残差学習を利用する。
論文 参考訳(メタデータ) (2020-05-03T00:12:38Z) - Closed-loop Matters: Dual Regression Networks for Single Image
Super-Resolution [73.86924594746884]
ディープニューラルネットワークは、画像超解像において有望な性能を示した。
これらのネットワークは、低分解能(LR)画像から高分解能(HR)画像への非線形マッピング関数を学習する。
本稿では,可能な関数の空間を削減するために,LRデータに新たな制約を導入することで,二重回帰手法を提案する。
論文 参考訳(メタデータ) (2020-03-16T04:23:42Z)
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。