論文の概要: Flexible Style Image Super-Resolution using Conditional Objective
- arxiv url: http://arxiv.org/abs/2201.04898v1
- Date: Thu, 13 Jan 2022 11:39:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-14 15:15:55.545540
- Title: Flexible Style Image Super-Resolution using Conditional Objective
- Title（参考訳）: 条件付き目的物を用いたフレキシブルスタイル画像超解像
- Authors: Seung Ho Park, Young Su Moon and Nam Ik Cho
- Abstract要約: マルチタスク学習の利点を生かして、単一調整可能なSRモデルを様々な損失の組み合わせで訓練するより効率的な方法を提案する。
具体的には、訓練中に条件付き目的を持つSRモデルを最適化し、目的は異なる特徴レベルにおける複数の知覚的損失の重み付け和である。
推論フェーズにおいて、トレーニングされたモデルは、スタイル制御マップに条件付きで、局所的に異なる出力を生成することができる。
- 参考スコア（独自算出の注目度）: 11.830754741007029
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent studies have significantly enhanced the performance of single-image
super-resolution (SR) using convolutional neural networks (CNNs). While there
can be many high-resolution (HR) solutions for a given input, most existing
CNN-based methods do not explore alternative solutions during the inference. A
typical approach to obtaining alternative SR results is to train multiple SR
models with different loss weightings and exploit the combination of these
models. Instead of using multiple models, we present a more efficient method to
train a single adjustable SR model on various combinations of losses by taking
advantage of multi-task learning. Specifically, we optimize an SR model with a
conditional objective during training, where the objective is a weighted sum of
multiple perceptual losses at different feature levels. The weights vary
according to given conditions, and the set of weights is defined as a style
controller. Also, we present an architecture appropriate for this training
scheme, which is the Residual-in-Residual Dense Block equipped with spatial
feature transformation layers. At the inference phase, our trained model can
generate locally different outputs conditioned on the style control map.
Extensive experiments show that the proposed SR model produces various
desirable reconstructions without artifacts and yields comparable quantitative
performance to state-of-the-art SR methods.
- Abstract（参考訳）: 近年の研究では、畳み込みニューラルネットワーク(CNN)を用いた単一画像超解像(SR)の性能が著しく向上している。
入力に対して多くの高分解能(hr)ソリューションが存在するが、既存のcnnベースのメソッドは推論中に代替ソリューションを探索しない。
代替SR結果を得るための典型的なアプローチは、損失重み付けの異なる複数のSRモデルを訓練し、これらのモデルの組み合わせを活用することである。
複数のモデルを使う代わりに、マルチタスク学習を生かして、様々な組み合わせの損失に対して単一の調整可能なSRモデルを訓練するより効率的な方法を提案する。
具体的には、訓練中に条件付き目的を持つSRモデルを最適化し、目的は異なる特徴レベルにおける複数の知覚的損失の重み付け和である。
重みは与えられた条件によって異なり、重みの集合はスタイルコントローラとして定義される。
また,空間的特徴変換層を備えたResidual-in-Residual Dense Blockである,このトレーニング手法に適したアーキテクチャを提案する。
推論フェーズでは、トレーニングされたモデルは、スタイル制御マップに基づいて、ローカルに異なる出力を生成することができます。
拡張実験により,提案したSRモデルは人工物なしで様々な望ましい再構築を行い,最先端のSR手法に匹敵する定量的性能が得られることが示された。
関連論文リスト
- Solving Inverse Problems with Model Mismatch using Untrained Neural Networks within Model-based Architectures [14.551812310439004]
モデルベースアーキテクチャでは,各インスタンスの計測領域におけるデータの一貫性を一致させるために,トレーニングされていないフォワードモデル残差ブロックを導入する。
提案手法は,パラメータ感受性が低く,追加データを必要としない統一解を提供し,前方モデルの同時適用と1パスの再構成を可能にする。
論文 参考訳（メタデータ） (2024-03-07T19:02:13Z) - Efficient Test-Time Adaptation for Super-Resolution with Second-Order
Degradation and Reconstruction [62.955327005837475]
画像超解像(SR)は,低分解能(LR)から高分解能(HR)へのマッピングを,一対のHR-LRトレーニング画像を用いて学習することを目的としている。
SRTTAと呼ばれるSRの効率的なテスト時間適応フレームワークを提案し、SRモデルを異なる/未知の劣化型でテストドメインに迅速に適応させることができる。
論文 参考訳（メタデータ） (2023-10-29T13:58:57Z) - Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。
本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。
本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
論文 参考訳（メタデータ） (2023-03-16T21:06:13Z) - Perception-Oriented Single Image Super-Resolution using Optimal
Objective Estimation [11.830754741007029]
本稿では,高分解能出力の全体領域において,各領域に最適な目標を適用したSISRフレームワークを提案する。
このフレームワークは、与えられた低解像度(LR)入力に対して最適な客観的マップを推定する予測モデルと、対応するSR出力を生成するために対象対象マップを適用する生成モデルと、の2つのモデルから構成される。
論文 参考訳（メタデータ） (2022-11-24T15:45:03Z) - Super-resolution Reconstruction of Single Image for Latent features [8.857209365343646]
単一像超解像(SISR)は、通常、様々な劣化した低分解能(LR)画像を単一の高分解能(HR)画像に復元することに焦点を当てる。
モデルが細部やテクスチャの多様性を保ちながら、高品質かつ迅速なサンプリングを同時に維持することは、しばしば困難である。
この課題は、モデル崩壊、再構成されたHR画像におけるリッチディテールとテクスチャの特徴の欠如、モデルサンプリングの過剰な時間消費などの問題を引き起こす可能性がある。
論文 参考訳（メタデータ） (2022-11-16T09:37:07Z) - Effective Invertible Arbitrary Image Rescaling [77.46732646918936]
Invertible Neural Networks (INN)は、ダウンスケーリングとアップスケーリングのサイクルを共同で最適化することにより、アップスケーリングの精度を大幅に向上させることができる。
本研究の1つのモデルのみをトレーニングすることにより、任意の画像再スケーリングを実現するために、単純で効果的な非可逆的再スケーリングネットワーク(IARN)を提案する。
LR出力の知覚品質を損なうことなく、双方向任意再スケーリングにおいて最先端(SOTA)性能を実現する。
論文 参考訳（メタデータ） (2022-09-26T22:22:30Z) - Perception-Distortion Trade-off in the SR Space Spanned by Flow Models [21.597478894658263]
フローベース生成超解法(SR)モデルは、SR空間と呼ばれる、実現可能なSRソリューションの多様なセットを生成することを学ぶ。
本稿では,ランダムなアーチファクトを排除し,知覚品質を著しく損なうことなく忠実さを向上する単一SR画像を得るための,単純だが効果的な画像アンサンブル/融合手法を提案する。
論文 参考訳（メタデータ） (2022-09-18T13:12:21Z) - Accurate and Lightweight Image Super-Resolution with Model-Guided Deep
Unfolding Network [63.69237156340457]
我々は、モデル誘導深部展開ネットワーク(MoG-DUN)と呼ばれるSISRに対する説明可能なアプローチを提示し、提唱する。
MoG-DUNは正確(エイリアスを少なくする)、計算効率(モデルパラメータを減らした)、多用途(多重劣化を処理できる)である。
RCAN, SRDNF, SRFBNを含む既存の最先端画像手法に対するMoG-DUN手法の優位性は、いくつかの一般的なデータセットと様々な劣化シナリオに関する広範な実験によって実証されている。
論文 参考訳（メタデータ） (2020-09-14T08:23:37Z) - Deep Iterative Residual Convolutional Network for Single Image
Super-Resolution [31.934084942626257]
我々は、ISRResCNet(Deep Iterative Super-Resolution Residual Convolutional Network)を提案する。
残差学習アプローチを用いて、深層ネットワークを反復的に訓練することにより、強力な画像正規化と大規模最適化手法を活用する。
トレーニング可能なパラメータがいくつかある本手法は,最先端の手法と比較して,異なるスケーリング要因に対する結果を改善する。
論文 参考訳（メタデータ） (2020-09-07T12:54:14Z) - Deep Unfolding Network for Image Super-Resolution [159.50726840791697]
本稿では,学習に基づく手法とモデルに基づく手法の両方を活用する,エンドツーエンドのトレーニング可能なアンフォールディングネットワークを提案する。
提案するネットワークは, モデルベース手法の柔軟性を継承し, 一つのモデルを用いて, 異なるスケール要因に対する, 曖昧でノイズの多い画像の超解像化を行う。
論文 参考訳（メタデータ） (2020-03-23T17:55:42Z) - Characteristic Regularisation for Super-Resolving Face Images [81.84939112201377]
既存の顔画像超解像法(SR)は、主に人工的にダウンサンプリングされた低解像度(LR)画像の改善に焦点を当てている。
従来の非教師なしドメイン適応(UDA)手法は、未ペアの真のLRとHRデータを用いてモデルをトレーニングすることでこの問題に対処する。
これにより、視覚的特徴を構成することと、画像の解像度を高めることの2つのタスクで、モデルをオーバーストレッチする。
従来のSRモデルとUDAモデルの利点を結合する手法を定式化する。
論文 参考訳（メタデータ） (2019-12-30T16:27:24Z)
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。