Fugu-MT 論文翻訳(概要): Can We Use Neural Regularization to Solve Depth Super-Resolution?

論文の概要: Can We Use Neural Regularization to Solve Depth Super-Resolution?

arxiv url: http://arxiv.org/abs/2112.11085v1
Date: Tue, 21 Dec 2021 10:40:04 GMT
ステータス: 処理完了
システム内更新日: 2021-12-22 14:24:02.214061
Title: Can We Use Neural Regularization to Solve Depth Super-Resolution?
Title（参考訳）: 超解像深度解法にはニューラル正規化が有効か?
Authors: Milena Gazdieva, Oleg Voynov, Alexey Artemov, Youyi Zheng, Luiz Velho and Evgeny Burnaev
Abstract要約: 本稿では,Tikhonov正則化を用いた変分問題文に基づく超解法について検討する。超解像の深度マップへの応用は困難であることが実験的に示され、その原因について提案する。
参考スコア（独自算出の注目度）: 18.97729647174181
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Depth maps captured with commodity sensors often require super-resolution to be used in applications. In this work we study a super-resolution approach based on a variational problem statement with Tikhonov regularization where the regularizer is parametrized with a deep neural network. This approach was previously applied successfully in photoacoustic tomography. We experimentally show that its application to depth map super-resolution is difficult, and provide suggestions about the reasons for that.
Abstract（参考訳）: コモディティセンサーで捉えた深度マップは、しばしばアプリケーションで使用するために超解像度を必要とする。本研究では,tikhonov正規化を用いた変分問題文に基づく超解法について検討する。この手法は従来,光音響トモグラフィーにおいて有効であった。超解像の深度マップへの応用は困難であることが実験的に示され、その理由について提案する。

関連論文リスト

Exploring Deep Learning Image Super-Resolution for Iris Recognition [50.43429968821899]
重畳自動エンコーダ(SAE)と畳み込みニューラルネットワーク(CNN)の2つの深層学習単一画像超解法手法を提案する。精度評価と認識実験により,1.872個の近赤外虹彩画像のデータベースを用いて評価を行い,比較アルゴリズムよりも深層学習の方が優れていることを示す。
論文参考訳（メタデータ） (2023-11-02T13:57:48Z)
Cutting-Edge Techniques for Depth Map Super-Resolution [0.0]
市販の深度センサにおけるハードウェアの限界を克服するために、深度マップ超解像(DMSR)は実用的で価値のあるコンピュータビジョンタスクである。 DMSRのための共同画像フィルタリングは、空間不変かつ空間不変な畳み込みニューラルネットワーク(CNN)アプローチを用いて適用されている。本稿では,Swin変換器アーキテクチャを用いた新しい共同画像フィルタリングDMSRアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-06-27T06:57:08Z)
Symmetric Uncertainty-Aware Feature Transmission for Depth Super-Resolution [52.582632746409665]
カラー誘導DSRのためのSymmetric Uncertainty-aware Feature Transmission (SUFT)を提案する。本手法は最先端の手法と比較して優れた性能を実現する。
論文参考訳（メタデータ） (2023-06-01T06:35:59Z)
Guided Depth Super-Resolution by Deep Anisotropic Diffusion [18.445649181582823]
誘導異方性拡散と深層畳み込みネットワークを組み合わせた新しい手法を提案する。誘導深度超解像のための3つの一般的なベンチマークで前例のない結果を得た。
論文参考訳（メタデータ） (2022-11-21T15:48:13Z)
Unpaired Image Super-Resolution with Optimal Transport Maps [128.1189695209663]
実世界の画像超解像(SR)タスクは、しばしば、教師付き技術の適用を制限するペアデータセットを持っていない。本稿では,非バイアスのOTマップを知覚輸送コストで学習する未ペアSRのアルゴリズムを提案する。我々のアルゴリズムは、大規模無人AIM-19データセット上で、最先端のパフォーマンスをほぼ提供する。
論文参考訳（メタデータ） (2022-02-02T16:21:20Z)
Joint Implicit Image Function for Guided Depth Super-Resolution [11.325235139023931]
誘導深度超解法は低分解能でノイズの多い入力深度マップを高分解能版に復元する実用的な課題である。一般画像の形式を採るが、新しい結合入射像関数表現を用いて重みと値の両方を学習する。 JIIF表現が誘導深度超分解能タスクに与える影響を実演し、3つの公開ベンチマークにおける最先端手法を著しく上回った。
論文参考訳（メタデータ） (2021-07-19T09:42:18Z)
Towards Unpaired Depth Enhancement and Super-Resolution in the Wild [121.96527719530305]
最先端のデータ駆動による深度マップの超解像法は、同じシーンの低解像度と高解像度の深度マップの登録ペアに依存している。未経験データからの学習に基づく深度マップの強化について考察する。
論文参考訳（メタデータ） (2021-05-25T16:19:16Z)
Monocular Depth Parameterizing Networks [15.791732557395552]
実現可能な形状を持つ深度マップの集合のパラメータ化を提供するネットワーク構造を提案する。これにより、他の画像に関して、写真に一貫性のあるソリューションの形状を検索できる。実験により,本手法はより正確な深度マップを生成し,競合する最先端手法よりも一般化することを示す。
論文参考訳（メタデータ） (2020-12-21T13:02:41Z)
Uncalibrated Neural Inverse Rendering for Photometric Stereo of General Surfaces [103.08512487830669]
本稿では,測光ステレオ問題に対する無補間深層ニューラルネットワークフレームワークを提案する。既存のニューラルネットワークベースの方法は、物体の正確な光方向または接地正則のいずれかまたは両方を必要とします。本稿では,この問題に対する未調整の神経逆レンダリング手法を提案する。
論文参考訳（メタデータ） (2020-12-12T10:33:08Z)
Beyond Dropout: Feature Map Distortion to Regularize Deep Neural Networks [107.77595511218429]
本稿では,ディープニューラルネットワークの中間層に関連する実験的なRademacher複雑性について検討する。上記の問題に対処するための特徴歪み法(Disout)を提案する。より高い試験性能を有するディープニューラルネットワークを作製するための特徴写像歪みの優位性を解析し、実証した。
論文参考訳（メタデータ） (2020-02-23T13:59:13Z)

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。