論文の概要: DSRGAN: Detail Prior-Assisted Perceptual Single Image Super-Resolution
via Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2112.13191v1
- Date: Sat, 25 Dec 2021 06:23:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-28 17:42:22.139894
- Title: DSRGAN: Detail Prior-Assisted Perceptual Single Image Super-Resolution
via Generative Adversarial Networks
- Title（参考訳）: DSRGAN: 生成的対向ネットワークによる知覚的単一画像超解像
- Authors: Ziyang Liu, Zhengguo Li, Xingming Wu, Zhong Liu, and Weihai Chen
- Abstract要約: GAN(Generative Adversarial Network)は、知覚単一画像超解像(SISR)の研究に成功している。
我々は、この問題を緩和し、より現実的な詳細を回復する上で、GANを支援するための新しい事前知識、詳細を提案する。
実験の結果,DSRGANは知覚的指標において最先端のSISR法より優れており,同時に忠実度指標の点で同等の結果が得られることがわかった。
- 参考スコア（独自算出の注目度）: 24.197669641270892
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The generative adversarial network (GAN) is successfully applied to study the
perceptual single image superresolution (SISR). However, the GAN often tends to
generate images with high frequency details being inconsistent with the real
ones. Inspired by conventional detail enhancement algorithms, we propose a
novel prior knowledge, the detail prior, to assist the GAN in alleviating this
problem and restoring more realistic details. The proposed method, named
DSRGAN, includes a well designed detail extraction algorithm to capture the
most important high frequency information from images. Then, two discriminators
are utilized for supervision on image-domain and detail-domain restorations,
respectively. The DSRGAN merges the restored detail into the final output via a
detail enhancement manner. The special design of DSRGAN takes advantages from
both the model-based conventional algorithm and the data-driven deep learning
network. Experimental results demonstrate that the DSRGAN outperforms the
state-of-the-art SISR methods on perceptual metrics and achieves comparable
results in terms of fidelity metrics simultaneously. Following the DSRGAN, it
is feasible to incorporate other conventional image processing algorithms into
a deep learning network to form a model-based deep SISR.
- Abstract（参考訳）: GAN(Generative Adversarial Network)は、知覚単一画像超解像(SISR)の研究に成功している。
しかし、GANはしばしば、実際のものと矛盾しない高周波の詳細の画像を生成する傾向にある。
従来の詳細強化アルゴリズムにヒントを得て,この問題を緩和し,より現実的な詳細を復元する上で,GANを支援する新しい事前知識,詳細を提示する。
提案手法はDSRGANと呼ばれ,画像から最も重要な高周波情報を抽出する詳細抽出アルゴリズムを含む。
次に、画像領域および細部領域復元の監督に2つの判別器を利用する。
DSRGANは、復元された詳細を詳細拡張方法で最終的な出力にマージする。
DSRGANの特殊設計は、モデルに基づく従来のアルゴリズムとデータ駆動ディープラーニングネットワークの両方の利点を生かしている。
実験の結果,DSRGANは知覚的指標において最先端のSISR法よりも優れており,忠実度指標の点で同等の結果が得られた。
dsrganに続いて、他の従来の画像処理アルゴリズムをディープラーニングネットワークに組み込むことで、モデルベースのdeep sisrを形成することができる。
関連論文リスト
- Learning Detail-Structure Alternative Optimization for Blind
Super-Resolution [69.11604249813304]
そこで我々は,ブラインドSRに先立ってカーネルを曖昧にすることなく,再帰的な詳細構造代替最適化を実現する,有効かつカーネルフリーなネットワークDSSRを提案する。
DSSRでは、細部構造変調モジュール(DSMM)が構築され、画像の詳細と構造の相互作用と協調を利用する。
本手法は既存の手法に対して最先端の手法を実現する。
論文 参考訳（メタデータ） (2022-12-03T14:44:17Z) - Latent Multi-Relation Reasoning for GAN-Prior based Image
Super-Resolution [61.65012981435095]
LARENはグラフベースの非絡み合いであり、階層的マルチリレーショナル推論によってより優れた非絡み合い空間を構築する。
我々は、LARENが優れた大因子画像SRを実現し、複数のベンチマークで常に最先端の性能を発揮することを示す。
論文 参考訳（メタデータ） (2022-08-04T19:45:21Z) - PC-GANs: Progressive Compensation Generative Adversarial Networks for
Pan-sharpening [50.943080184828524]
空間情報とスペクトル情報の漸進的補償によりMS画像のシャープ化を行うパンシャーピングの新しい2段階モデルを提案する。
モデル全体が三重GANで構成されており、特定のアーキテクチャに基づいて、三重GANを同時に訓練できるように、共同補償損失関数が設計されている。
論文 参考訳（メタデータ） (2022-07-29T03:09:21Z) - Multimodal-Boost: Multimodal Medical Image Super-Resolution using
Multi-Attention Network with Wavelet Transform [5.416279158834623]
対応する画像分解能の喪失は、医用画像診断の全体的な性能を低下させる。
ディープラーニングベースのシングルイメージスーパーレゾリューション(SISR)アルゴリズムは、全体的な診断フレームワークに革命をもたらした。
本研究は,低周波データから高頻度情報を学習する深層マルチアテンションモジュールを用いたGAN(Generative Adversarial Network)を提案する。
論文 参考訳（メタデータ） (2021-10-22T10:13:46Z) - 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) - Learning Structral coherence Via Generative Adversarial Network for
Single Image Super-Resolution [13.803141755183827]
近年,GAN(Generative Adversarial Network)に基づくSISR法により,全体の現実的SR画像が得られた。
SRプロセスにおける高分解能勾配図の復元により構造情報を保存するため, 発電機に勾配分岐を導入する。
さらに、U-netベースの判別器を用いて、画像全体と画素ごとの詳細な認証の両方について検討する。
論文 参考訳（メタデータ） (2021-01-25T15:26:23Z) - Interpretable Detail-Fidelity Attention Network for Single Image
Super-Resolution [89.1947690981471]
本研究では,スムースとディテールを段階的に分割・収束的に処理する,目的・解釈可能なディテール・ファイダリティ・アテンション・ネットワークを提案する。
特に,詳細推論において顕著な解釈可能な特徴表現のためのヘシアンフィルタを提案する。
実験により,提案手法は最先端手法よりも優れた性能を示すことが示された。
論文 参考訳（メタデータ） (2020-09-28T08:31:23Z) - Hyperspectral Image Super-resolution via Deep Spatio-spectral
Convolutional Neural Networks [32.10057746890683]
本稿では,高分解能ハイパースペクトル像と高分解能マルチスペクトル像を融合させる,深部畳み込みニューラルネットワークの簡易かつ効率的なアーキテクチャを提案する。
提案したネットワークアーキテクチャは,近年の最先端ハイパースペクトル画像の超解像化手法と比較して,最高の性能を達成している。
論文 参考訳（メタデータ） (2020-05-29T05:56:50Z) - Iterative Network for Image Super-Resolution [69.07361550998318]
単一画像超解像(SISR)は、最近の畳み込みニューラルネットワーク(CNN)の発展により、大幅に活性化されている。
本稿では、従来のSISRアルゴリズムに関する新たな知見を提供し、反復最適化に依存するアプローチを提案する。
反復最適化の上に,新しい反復型超解像ネットワーク (ISRN) を提案する。
論文 参考訳（メタデータ） (2020-05-20T11:11:47Z) - Residual Channel Attention Generative Adversarial Network for Image
Super-Resolution and Noise Reduction [14.217260022873083]
深層ネットワークが深まるにつれて、トレーニングが難しくなり、より細かいテクスチャの詳細を復元することが難しくなります。
本稿では,これらの問題を解決するために,Residual Channel Attention-Generative Adversarial Network (RCA-GAN)を提案する。
RCA-GANは、ベースラインモデルよりも細部と自然なテクスチャで、常に視覚的品質が向上する。
論文 参考訳（メタデータ） (2020-04-28T17:23:46Z) - Deep Attentive Generative Adversarial Network for Photo-Realistic Image
De-Quantization [25.805568996596783]
減量子化は、高ビット深度画面に表示するための低ビット深度画像の視覚的品質を改善することができる。
本稿では,画像強度分解能の超解像を実現するためのDAGANアルゴリズムを提案する。
DenseResAttモジュールは、自己保持機構を備えた密集した残留ブロックで構成されている。
論文 参考訳（メタデータ） (2020-04-07T06:45:01Z)
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。