論文の概要: What Hinders Perceptual Quality of PSNR-oriented Methods?
- arxiv url: http://arxiv.org/abs/2201.01034v1
- Date: Tue, 4 Jan 2022 08:30:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-05 14:19:25.113156
- Title: What Hinders Perceptual Quality of PSNR-oriented Methods?
- Title（参考訳）: PSNR指向手法の知覚品質に障害があるか?
- Authors: Tianshuo Xu, Peng Mi, Xiawu Zheng, Lijiang Li, Fei Chao, Guannan
Jiang, Wei Zhang, Yiyi Zhou, Rongrong Ji
- Abstract要約: 本稿では,高頻度拡張モジュールと空間コントラスト学習モジュールを組み合わせることで,COO問題と低周波傾向の影響を低減することを提案する。
実験結果から、DCLossを複数の正規SRモデルに適用する際の効率と有効性を示した。
- 参考スコア（独自算出の注目度）: 61.648259566212424
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper, we discover two factors that inhibit POMs from achieving high
perceptual quality: 1) center-oriented optimization (COO) problem and 2)
model's low-frequency tendency. First, POMs tend to generate an SR image whose
position in the feature space is closest to the distribution center of all
potential high-resolution (HR) images, resulting in such POMs losing
high-frequency details. Second, $90\%$ area of an image consists of
low-frequency signals; in contrast, human perception relies on an image's
high-frequency details. However, POMs apply the same calculation to process
different-frequency areas, so that POMs tend to restore the low-frequency
regions. Based on these two factors, we propose a Detail Enhanced Contrastive
Loss (DECLoss), by combining a high-frequency enhancement module and spatial
contrastive learning module, to reduce the influence of the COO problem and
low-Frequency tendency. Experimental results show the efficiency and
effectiveness when applying DECLoss on several regular SR models. E.g, in EDSR,
our proposed method achieves 3.60$\times$ faster learning speed compared to a
GAN-based method with a subtle degradation in visual quality. In addition, our
final results show that an SR network equipped with our DECLoss generates more
realistic and visually pleasing textures compared to state-of-the-art methods.
%The source code of the proposed method is included in the supplementary
material and will be made publicly available in the future.
- Abstract（参考訳）: 本稿では,POMの知覚品質向上を阻害する2つの要因について述べる。
1)センター指向最適化(COO)問題
2)モデルの低周波傾向。
まず、pomは、特徴空間における位置が全ての高分解能画像の分布中心に最も近いsr画像を生成する傾向にあり、その結果、高周波数詳細が失われる。
第2に、画像の90\%$領域は低周波信号から成り、対照的に人間の知覚は画像の高周波詳細に依存している。
しかし、POMは異なる周波数領域を処理するために同じ計算を適用するため、POMは低周波数領域を復元する傾向がある。
これらの2つの要因に基づいて,高周波数拡張モジュールと空間コントラスト学習モジュールを組み合わせたDetail Enhanced Contrastive Loss (DECLoss)を提案し,COO問題と低周波数傾向の影響を低減する。
実験結果は,複数の正規srモデルにdeclossを適用する場合の効率と有効性を示す。
例えば、EDSRでは、視覚的品質の微妙な劣化を伴うGAN法と比較して3.60$\times$高速学習を実現する。
さらに,本研究の最終結果は,DECOsを組み込んだSRネットワークが,最先端の手法に比べて現実的で視覚的なテクスチャを生成することを示す。
% 提案手法のソースコードは補足資料に含まれており,今後公開される予定である。
関連論文リスト
- Degradation-Guided One-Step Image Super-Resolution with Diffusion Priors [75.24313405671433]
拡散に基づく画像超解像法 (SR) は、事前訓練された大規模なテキスト・画像拡散モデルを先行として活用することにより、顕著な成功を収めた。
本稿では,拡散型SR手法の効率問題に対処する新しい一段階SRモデルを提案する。
既存の微調整戦略とは異なり、SR専用の劣化誘導低ランク適応 (LoRA) モジュールを設計した。
論文 参考訳（メタデータ） (2024-09-25T16:15:21Z) - Suppressing Uncertainties in Degradation Estimation for Blind Super-Resolution [31.89605287039615]
ブラインド画像の超解像問題は、未知の劣化モードで低解像度(LR)画像から高解像度(HR)画像を復元することを目的としている。
既存のほとんどの手法は、ぼやけたカーネルを使って画像劣化過程をモデル化している。
盲目的のtextbf Super-textbfResolution フレームワークに対して,textbfUncertainty に基づく分解表現を提案する。
論文 参考訳（メタデータ） (2024-06-24T08:58:43Z) - Efficient Conditional Diffusion Model with Probability Flow Sampling for Image Super-resolution [35.55094110634178]
画像超解像のための確率フローサンプリングを用いた効率的な条件拡散モデルを提案する。
提案手法は,既存の拡散型画像超解像法よりも高画質化を実現している。
論文 参考訳（メタデータ） (2024-04-16T16:08:59Z) - ACDMSR: Accelerated Conditional Diffusion Models for Single Image
Super-Resolution [84.73658185158222]
本稿では,ACDMSRと呼ばれる拡散モデルに基づく超解像法を提案する。
提案手法は, 決定論的反復分解過程を通じて超解像を行うために, 標準拡散モデルに適応する。
提案手法は,低解像度画像に対してより視覚的に現実的な表現を生成し,現実的なシナリオにおけるその有効性を強調した。
論文 参考訳（メタデータ） (2023-07-03T06:49:04Z) - INDigo: An INN-Guided Probabilistic Diffusion Algorithm for Inverse
Problems [31.693710075183844]
一般逆問題に対する非可逆ニューラルネットワーク(INN)と拡散モデルを組み合わせた手法を提案する。
具体的には、任意の劣化過程をシミュレートするためにINNの前方処理を訓練し、逆処理を再構成プロセスとして使用する。
本アルゴリズムは, 劣化過程で失われる詳細を効果的に推定し, 劣化モデルのクローズドフォーム表現を知る必要により, もはや制限されない。
論文 参考訳（メタデータ） (2023-06-05T15:14:47Z) - Implicit Diffusion Models for Continuous Super-Resolution [65.45848137914592]
本稿では,高忠実度連続画像超解像のためのインプリシティ拡散モデル(IDM)を提案する。
IDMは暗黙のニューラル表現とデノナイジング拡散モデルを統合されたエンドツーエンドフレームワークに統合する。
スケーリング係数は分解能を調節し、最終出力におけるLR情報と生成された特徴の比率を変調する。
論文 参考訳（メタデータ） (2023-03-29T07:02:20Z) - Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。
両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。
画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
論文 参考訳（メタデータ） (2020-08-25T03:30:53Z) - Invertible Image Rescaling [118.2653765756915]
Invertible Rescaling Net (IRN) を開発した。
我々は、ダウンスケーリングプロセスにおいて、指定された分布に従う潜在変数を用いて、失われた情報の分布をキャプチャする。
論文 参考訳（メタデータ） (2020-05-12T09:55:53Z)
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。