論文の概要: Learning the Degradation Distribution for Blind Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2203.04962v1
• Date: Wed, 9 Mar 2022 11:30:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-12 04:23:13.694139
• Title: Learning the Degradation Distribution for Blind Image Super-Resolution
• Title（参考訳）: ブラインド画像超解像における劣化分布の学習
• Authors: Zhengxiong Luo, Yan Huang, Shang Li, Liang Wang, Tieniu Tan
• Abstract要約: 本稿では,確率分解モデル (PDM) を提案する。 PDMはより多様な劣化をモデル化し、試験画像の様々な劣化をよりよくカバーするHR-LRペアを生成することができる。
• 参考スコア（独自算出の注目度）: 60.39409203244474
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthetic high-resolution (HR) \& low-resolution (LR) pairs are widely used in existing super-resolution (SR) methods. To avoid the domain gap between synthetic and test images, most previous methods try to adaptively learn the synthesizing (degrading) process via a deterministic model. However, some degradations in real scenarios are stochastic and cannot be determined by the content of the image. These deterministic models may fail to model the random factors and content-independent parts of degradations, which will limit the performance of the following SR models. In this paper, we propose a probabilistic degradation model (PDM), which studies the degradation $\mathbf{D}$ as a random variable, and learns its distribution by modeling the mapping from a priori random variable $\mathbf{z}$ to $\mathbf{D}$. Compared with previous deterministic degradation models, PDM could model more diverse degradations and generate HR-LR pairs that may better cover the various degradations of test images, and thus prevent the SR model from over-fitting to specific ones. Extensive experiments have demonstrated that our degradation model can help the SR model achieve better performance on different datasets. The source codes are released at \url{git@github.com:greatlog/UnpairedSR.git}.
• Abstract（参考訳）: 合成高分解能 (HR) \&低分解能 (LR) 対は既存の超解像 (SR) 法で広く用いられている。 合成画像とテスト画像の領域ギャップを避けるため、従来の手法は決定論的モデルを用いて合成(劣化)過程を適応的に学習しようとする。 しかし、実際のシナリオにおけるいくつかの劣化は確率的であり、画像の内容によって決定できない。 これらの決定論的モデルは、下記のSRモデルの性能を制限する劣化のランダムな要因と内容非依存の部分のモデル化に失敗する可能性がある。 本稿では,確率分解モデル (PDM) を提案する。このモデルでは,分解 $\mathbf{D}$ を確率変数として研究し,事前確率変数 $\mathbf{z}$ から $\mathbf{D}$ への写像をモデル化して分布を学習する。 従来の決定論的劣化モデルと比較して、PDMはより多様な劣化をモデル化し、テスト画像の様々な劣化をよりよくカバーするHR-LRペアを生成することができ、SRモデルが特定の劣化に過度に適合することを防ぐことができる。 広範な実験により、srモデルが異なるデータセットでより良いパフォーマンスを達成するのに役立つことを実証した。 ソースコードは \url{git@github.com:greatlog/unpairedsr.git} でリリースされる。

関連論文リスト

• Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
  本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。 画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
  論文  参考訳（メタデータ） (2023-11-02T02:05:38Z)
• 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)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Stochastic Attribute Modeling for Face Super-Resolution [23.30144908939099]
  高分解能(HR)画像が低分解能(LR)画像に分解されると、画像は既存の情報の一部を失う。 既存の手法のほとんどは、属性によって引き起こされる不確実性を考慮しておらず、確率論的に推測できるだけである。 本稿では,モデリングによる不確実性を考慮した新しい顔超解像(SR)手法を提案する。
  論文  参考訳（メタデータ） (2022-07-16T13:38:05Z)
• Learning Multiple Probabilistic Degradation Generators for Unsupervised Real World Image Super Resolution [5.987801889633082]
  教師なしの現実世界のスーパーレゾリューションは、ペア化されたデータが利用できない場合に、低解像度(LR)入力を与えられた高解像度(HR)イメージを復元することを目的としている。 最も一般的なアプローチの1つは、GANを使ってノイズの多いLR画像を合成し、合成データセットを使用してモデルを教師付きで訓練することである。 HR画像が与えられたLR画像の分布を近似する確率分解生成器を提案する。
  論文  参考訳（メタデータ） (2022-01-26T04:49:11Z)
• Flexible Style Image Super-Resolution using Conditional Objective [11.830754741007029]
  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。
  論文  参考訳（メタデータ） (2022-01-13T11:39:29Z)
• Designing a Practical Degradation Model for Deep Blind Image Super-Resolution [134.9023380383406]
  単一画像スーパーレゾリューション (sisr) 法は, 推定劣化モデルが実画像から逸脱した場合はうまく動作しない。 本稿では, ランダムにシャッフルされたブラー, ダウンサンプリング, ノイズ劣化からなる, より複雑で実用的な劣化モデルを提案する。
  論文  参考訳（メタデータ） (2021-03-25T17:40:53Z)
• Fast and Robust Cascade Model for Multiple Degradation Single Image Super-Resolution [2.1574781022415364]
  SISR(Single Image Super-Resolution)は、近年注目されている低レベルのコンピュータビジョン問題の一つである。 本稿では、畳み込みニューラルネットワーク(CNN)のカスケードモデルについて、新しい定式化を提案する。 外部知識を用いて各サブモジュールの出力を制限することで,より密結合なCNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-11-16T18:59:49Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)

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。