論文の概要: Scale-arbitrary Invertible Image Downscaling

• arxiv url: http://arxiv.org/abs/2201.12576v1
• Date: Sat, 29 Jan 2022 12:27:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-01 17:05:01.758454
• Title: Scale-arbitrary Invertible Image Downscaling
• Title（参考訳）: スケール・アービタリーインバータブル画像ダウンスケーリング
• Authors: Jinbo Xing, Wenbo Hu, Tien-Tsin Wong
• Abstract要約: 本稿では,任意のスケールファクタを持つHR画像のダウンスケールを実現するために,AIDN(Scale-Arbitrary Invertible Image Downscaling Network)を提案する。 我々のAIDNは、任意の整数と非整数のスケールファクタの両方で、可逆的なダウンスケーリングの最高性能を達成する。
• 参考スコア（独自算出の注目度）: 17.67415618760949
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Downscaling is indispensable when distributing high-resolution (HR) images over the Internet to fit the displays of various resolutions, while upscaling is also necessary when users want to see details of the distributed images. Recent invertible image downscaling methods jointly model these two problems and achieve significant improvements. However, they only consider fixed integer scale factors that cannot meet the requirement of conveniently fitting the displays of various resolutions in real-world applications. In this paper, we propose a scale-Arbitrary Invertible image Downscaling Network (AIDN), to natively downscale HR images with arbitrary scale factors for fitting various target resolutions. Meanwhile, the HR information is embedded in the downscaled low-resolution (LR) counterparts in a nearly imperceptible form such that our AIDN can also restore the original HR images solely from the LR images. The key to supporting arbitrary scale factors is our proposed Conditional Resampling Module (CRM) that conditions the downscaling/upscaling kernels and sampling locations on both scale factors and image content. Extensive experimental results demonstrate that our AIDN achieves top performance for invertible downscaling with both arbitrary integer and non-integer scale factors.
• Abstract（参考訳）: ダウンスケーリングは、インターネット上に高解像度(HR)画像を分散して様々な解像度のディスプレイに適合させるのに必須であり、アップスケーリングは、ユーザが分散イメージの詳細を見たい場合にも必要である。 最近の非可逆画像ダウンスケーリング法は, これら2つの問題を共同でモデル化し, 大幅な改善を実現している。 しかし、現実の応用において様々な解像度の表示を便利に適合させる要求を満たすことができない固定整数スケール因子のみを考える。 本稿では,様々な目標解像度に合わせるために,任意のスケールのHR画像をネイティブにダウンスケールするために,AIDN(Scale-Arbitrary Invertible Image Downscaling Network)を提案する。 一方,AIDN は LR 画像のみからオリジナルの HR 画像を復元できるように,低分解能の低分解能 (LR) 画像をほとんど認識不能な形で埋め込むことができる。 任意のスケールファクタをサポートする鍵は,スケールファクタとイメージコンテンツの両方において,ダウンスケーリング/スケールアップカーネルとサンプリングロケーションを条件とする条件付き再サンプリングモジュール(crm)である。 我々のAIDNは任意の整数因子と非整数スケール因子を併用した逆ダウンスケーリングの最高性能を実証した。

関連論文リスト

• Learning Dual-Level Deformable Implicit Representation for Real-World Scale Arbitrary Super-Resolution [81.74583887661794]
  整数と非整数のスケーリング要素を併用した,新しい実世界のスーパーレゾリューションベンチマークを構築した。 実世界の任意の超解像を解くために,Dual-level Deformable Implicit Representation (DDIR)を提案する。 実世界の任意の超解像のためのRealArbiSRおよびRealSRベンチマークの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-16T13:44:42Z)
• 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)
• Enhancing Image Rescaling using Dual Latent Variables in Invertible Neural Network [42.18106162158025]
  画像ダウンスケーリングプロセスのバリエーションをモデル化するために、新しいダウンスケーリング潜在変数が導入された。 これにより、ダウンスケールのLR画像の画質を犠牲にすることなく、画像のアップスケーリング精度を一貫して向上させることができる。 また、画像隠蔽のような画像復元アプリケーションのための他の INN ベースのモデルの拡張にも有効であることが示されている。
  論文  参考訳（メタデータ） (2022-07-24T23:12:51Z)
• Hierarchical Conditional Flow: A Unified Framework for Image Super-Resolution and Image Rescaling [139.25215100378284]
  画像SRと画像再スケーリングのための統合フレームワークとして階層的条件フロー(HCFlow)を提案する。 HCFlowは、LR画像と残りの高周波成分の分布を同時にモデル化することにより、HRとLR画像ペア間のマッピングを学習する。 さらに性能を高めるために、知覚的損失やGAN損失などの他の損失と、トレーニングで一般的に使用される負の対数類似損失とを組み合わせる。
  論文  参考訳（メタデータ） (2021-08-11T16:11:01Z)
• Robust Reference-based Super-Resolution via C2-Matching [77.51610726936657]
  超解像(Ref-SR)は、最近、高分解能(HR)参照画像を導入して、低分解能(LR)入力画像を強化するための有望なパラダイムとして登場した。 既存のRef-SR法は主に暗黙の対応に頼り、参照画像からHRテクスチャを借用し、入力画像の情報損失を補う。 本稿では,C2-Matchingを提案する。
  論文  参考訳（メタデータ） (2021-06-03T16:40:36Z)
• SRWarp: Generalized Image Super-Resolution under Arbitrary Transformation [65.88321755969677]
  ディープCNNは、単一の画像超解像を含む画像処理とそのアプリケーションで大きな成功を収めています。 近年のアプローチでは、実測値のアップサンプリング要因にまで範囲を広げている。 任意の画像変換に向けてSRタスクをさらに一般化するSRWarpフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-21T02:50:41Z)
• 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)
• Deep Generative Adversarial Residual Convolutional Networks for Real-World Super-Resolution [31.934084942626257]
  我々は,超解像残差畳み込み生成共役ネットワーク(SRResCGAN)を提案する。 これは、生成したLRドメインからHRドメインの画素単位の監督でモデルを逆トレーニングすることで、現実世界の劣化設定に従う。 提案するネットワークは,画像の高精細化と凸最適化によるエネルギーベース目的関数の最小化により,残差学習を利用する。
  論文  参考訳（メタデータ） (2020-05-03T00:12:38Z)

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。