論文の概要: SDT-DCSCN for Simultaneous Super-Resolution and Deblurring of Text
Images
- arxiv url: http://arxiv.org/abs/2201.05865v1
- Date: Sat, 15 Jan 2022 14:51:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-22 12:07:21.928577
- Title: SDT-DCSCN for Simultaneous Super-Resolution and Deblurring of Text
Images
- Title(参考訳): SDT-DCSCNによるテキスト画像の高分解能化と分解
- Authors: Hala Neji, Mohamed Ben Halima, Javier Nogueras-Iso, Tarek. M. Hamdani,
Abdulrahman M. Qahtani, Omar Almutiry, Habib Dhahri, Adel M. Alimi
- Abstract要約: 我々は,SDT-DCSCNという手法を提案し,DCSCNに基づく低解像度のぼかしテキスト画像の高解像度化とデブロアリングを共同で行う。
提案手法では,入力画像と元のシャープ画像に,サブサンプルのぼやけた画像を用いる。
- 参考スコア(独自算出の注目度): 3.5590597557917363
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep convolutional neural networks (Deep CNN) have achieved hopeful
performance for single image super-resolution. In particular, the Deep CNN skip
Connection and Network in Network (DCSCN) architecture has been successfully
applied to natural images super-resolution. In this work we propose an approach
called SDT-DCSCN that jointly performs super-resolution and deblurring of
low-resolution blurry text images based on DCSCN. Our approach uses subsampled
blurry images in the input and original sharp images as ground truth. The used
architecture is consists of a higher number of filters in the input CNN layer
to a better analysis of the text details. The quantitative and qualitative
evaluation on different datasets prove the high performance of our model to
reconstruct high-resolution and sharp text images. In addition, in terms of
computational time, our proposed method gives competitive performance compared
to state of the art methods.
- Abstract(参考訳): 深部畳み込みニューラルネットワーク(Deep CNN)は、単一画像超解像に対して期待できる性能を達成した。
特に、Deep CNN skip Connection and Network in Network (DCSCN)アーキテクチャは、自然画像の超高解像度化に成功している。
本研究では,DCSCNに基づく低解像度のぼかし画像の高解像度化とデブロアリングを共同で行うSDT-DCSCNという手法を提案する。
提案手法では,入力画像と元のシャープ画像に,サブサンプルのぼやけた画像を用いる。
使用済みのアーキテクチャは、テキストの詳細をよりよく分析するために、入力されたcnn層でより多くのフィルタで構成されている。
異なるデータセットに対する定量的および定性的な評価は,高解像度かつ鋭いテキストイメージを再構成するためのモデルの性能を示す。
さらに, 計算時間の観点から, 提案手法は, 最先端技術と比較して, 競争性能が向上する。
関連論文リスト
- Research on Image Super-Resolution Reconstruction Mechanism based on Convolutional Neural Network [8.739451985459638]
超解像アルゴリズムは、同一シーンから撮影された1つ以上の低解像度画像を高解像度画像に変換する。
再構成過程における画像の特徴抽出と非線形マッピング手法は,既存のアルゴリズムでは依然として困難である。
目的は、高解像度の画像から高品質で高解像度の画像を復元することである。
論文 参考訳(メタデータ) (2024-07-18T06:50:39Z) - A Heterogeneous Dynamic Convolutional Neural Network for Image
Super-resolution [111.97970576223622]
画像超解像(HDSRNet)における異種動的畳み込みネットワークを提案する。
下位のネットワークは対称アーキテクチャを使用して、異なるレイヤの関係を強化し、より構造的な情報をマイニングする。
実験結果から,HDSRNetは画像解決に有効であることが示唆された。
論文 参考訳(メタデータ) (2024-02-24T03:44:06Z) - Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。
CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。
DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文 参考訳(メタデータ) (2023-10-11T12:46:11Z) - 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) - Image Super-resolution with An Enhanced Group Convolutional Neural
Network [102.2483249598621]
学習能力の強いCNNは、超解像問題を解くために広く選択されている。
浅層構造を持つ超解像群CNN(ESRGCNN)を提案する。
ESRGCNNは、SISRの性能、複雑さ、実行速度、画質評価およびSISRの視覚効果の観点から、最先端技術を上回っていると報告されている。
論文 参考訳(メタデータ) (2022-05-29T00:34:25Z) - Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。
我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
論文 参考訳(メタデータ) (2022-04-19T17:59:45Z) - 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) - Real Image Super Resolution Via Heterogeneous Model Ensemble using
GP-NAS [63.48801313087118]
本稿では,高密度スキップ接続を有するディープ残差ネットワークを用いた画像超解像法を提案する。
提案手法は、AIM 2020 Real Image Super-Resolution Challengeの3トラックで1位を獲得した。
論文 参考訳(メタデータ) (2020-09-02T22:33:23Z) - Cascade Convolutional Neural Network for Image Super-Resolution [15.650515790147189]
画像超解像のためのカスケード畳み込みニューラルネットワーク(CSRCNN)を提案する。
異なるスケールのイメージを同時にトレーニングすることができ、学習されたネットワークは、異なるスケールのイメージに存在する情報をフル活用することができる。
論文 参考訳(メタデータ) (2020-08-24T11:34:03Z) - Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。
ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。
提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
論文 参考訳(メタデータ) (2020-03-15T11:04:30Z)
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。