論文の概要: Single Image Super-Resolution Methods: A Survey
- arxiv url: http://arxiv.org/abs/2202.11763v1
- Date: Thu, 17 Feb 2022 12:01:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-27 19:04:20.225132
- Title: Single Image Super-Resolution Methods: A Survey
- Title（参考訳）: 単一画像超解像法:調査
- Authors: Bahattin Can Maral
- Abstract要約: スーパーレゾリューション(英: Super- resolution, SR)は、同じシーンの1つ以上の低解像度の観測から高解像度の画像を得る過程である。
近年、この人気はビデオ処理領域に広がり、リアルタイムに動作するSRモデルの開発期間にまで及んでいる。
本稿では、単一画像処理を専門とするSRモデルの比較を行い、それらが長年にわたって様々な目的や形状にどのように取り組んできたのかを概観する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Super-resolution (SR), the process of obtaining high-resolution images from
one or more low-resolution observations of the same scene, has been a very
popular topic of research in the last few decades in both signal processing and
image processing areas. Due to the recent developments in Convolutional Neural
Networks, the popularity of SR algorithms has skyrocketed as the barrier of
entry has been lowered significantly. Recently, this popularity has spread into
video processing areas to the lengths of developing SR models that work in
real-time. In this paper, we compare different SR models that specialize in
single image processing and will take a glance at how they evolved to take on
many different objectives and shapes over the years.
- Abstract（参考訳）: 同一場面の1つ以上の低解像度観測から高解像度画像を得る過程であるスーパーレゾリューション(sr)は、信号処理分野と画像処理分野の両方において、過去数十年で非常に一般的な研究テーマとなっている。
近年の畳み込みニューラルネットワークの発展により、SRアルゴリズムの人気は急上昇し、参入障壁は大幅に低下した。
近年、この人気はビデオ処理領域に広がり、リアルタイムに動作するSRモデルの開発期間にまで及んでいる。
本稿では,単一画像処理を専門とするSRモデルの比較を行い,それらが長年にわたって様々な目的や形状にどのように取り組んできたのかを考察する。
関連論文リスト
- Hierarchical Similarity Learning for Aliasing Suppression Image
Super-Resolution [64.15915577164894]
エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。
HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
論文 参考訳（メタデータ） (2022-06-07T14:55:32Z) - 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) - Real-World Super-Resolution of Face-Images from Surveillance Cameras [25.258587196435464]
本稿では,現実的なLR/HRトレーニングペアを生成するための新しいフレームワークを提案する。
本フレームワークは、実写のぼやけたカーネル、ノイズ分布、JPEG圧縮アーチファクトを推定し、ソース領域のものと類似した画像特性を持つLR画像を生成する。
我々はGANベースのSRモデルを用いて、よく使われるVGG-loss[24]とLPIPS-loss[52]を交換した。
論文 参考訳（メタデータ） (2021-02-05T11:38:30Z) - Attaining Real-Time Super-Resolution for Microscopic Images Using GAN [0.06345523830122167]
本稿では,標準的なGPUを用いた超解像顕微鏡をリアルタイムに実行するための,既存のディープラーニングに基づく手法の改善に焦点をあてる。
生成器のアーキテクチャとSRGANの判別器の単純な変更を提案する。
我々は、我々のモデルが生成した出力の品質と実行時間を比較し、ローエンドのベンチトップやモバイルの顕微鏡のような様々な領域にそのアプリケーションを開放する。
論文 参考訳（メタデータ） (2020-10-09T15:26:21Z) - 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) - 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) - PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of
Generative Models [77.32079593577821]
PULSE (Photo Upsampling via Latent Space Exploration) は、それまで文献になかった解像度で高解像度でリアルな画像を生成する。
本手法は, 従来よりも高分解能, スケールファクターの知覚品質において, 最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2020-03-08T16:44:31Z) - DDet: Dual-path Dynamic Enhancement Network for Real-World Image
Super-Resolution [69.2432352477966]
実画像超解像(Real-SR)は、実世界の高分解能画像(HR)と低分解能画像(LR)の関係に焦点を当てている。
本稿では,Real-SRのためのデュアルパス動的拡張ネットワーク(DDet)を提案する。
特徴表現のための大規模な畳み込みブロックを積み重ねる従来の手法とは異なり、非一貫性のある画像対を研究するためのコンテンツ認識フレームワークを導入する。
論文 参考訳（メタデータ） (2020-02-25T18:24:51Z)
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。