論文の概要: TAPE: Task-Agnostic Prior Embedding for Image Restoration

• arxiv url: http://arxiv.org/abs/2203.06074v1
• Date: Fri, 11 Mar 2022 16:52:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-14 14:01:08.123344
• Title: TAPE: Task-Agnostic Prior Embedding for Image Restoration
• Title（参考訳）: TAPE:画像修復のためのタスク非依存の事前埋め込み
• Authors: Lin Liu, Lingxi Xie, Xiaopeng Zhang, Shanxin Yuan, Xiangyu Chen, Wengang Zhou, Houqiang Li, Qi Tian
• Abstract要約: 本稿では,タスクに依存しない前処理をトランスフォーマーに組み込む新しい手法を提案する。 タスク非依存型プリエンベディング(TAPE)は,タスク非依存型プリエンベディング,タスク非依存型ファインタニング,タスク特化ファインタニングの3段階からなる。 各種劣化試験により, TAPEの有効性が検証された。
• 参考スコア（独自算出の注目度）: 194.61997784161218
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Learning an generalized prior for natural image restoration is an important yet challenging task. Early methods mostly involved handcrafted priors including normalized sparsity, L0 gradients, dark channel priors, etc. Recently, deep neural networks have been used to learn various image priors but do not guarantee to generalize. In this paper, we propose a novel approach that embeds a task-agnostic prior into a transformer. Our approach, named Task-Agnostic Prior Embedding (TAPE), consists of three stages, namely, task-agnostic pre-training, task-agnostic fine-tuning, and task-specific fine-tuning, where the first one embeds prior knowledge about natural images into the transformer and the latter two extracts the knowledge to assist downstream image restoration. Experiments on various types of degradation validate the effectiveness of TAPE. The image restoration performance in terms of PSNR is improved by as much as 1.45 dB and even outperforms task-specific algorithms. More importantly, TAPE shows the ability of disentangling generalized image priors from degraded images, which enjoys favorable transfer ability to unknown downstream tasks.
• Abstract（参考訳）: 自然画像復元のための一般化された事前学習は重要な課題である。 初期の方法は、主に正規化スパーシティ、l0勾配、ダークチャネルプリエントなど、手作りのプリエントを含んでいた。 近年、ディープニューラルネットワークは様々な画像の事前学習に使われているが、一般化は保証されていない。 本稿では,タスクに依存しない前処理をトランスに組み込む新しい手法を提案する。 タスク非依存型先行埋め込み(TAPE)と呼ばれる我々のアプローチは,タスク非依存型事前学習,タスク非依存型微調整,タスク特化型微調整の3段階からなる。 各種劣化試験によりTAPEの有効性が検証された。 PSNRのイメージ復元性能は1.45dBまで改善され、タスク固有のアルゴリズムよりも優れています。 さらに重要なことは、TAPEは、ダウンストリームタスクへの良好な転送能力を持つ劣化した画像から、一般化された画像先を遠ざける能力を示している。

関連論文リスト

• Perceive-IR: Learning to Perceive Degradation Better for All-in-One Image Restoration [33.163161549726446]
  Perceive-IRは、微細な画質制御を実現するために設計されたオールインワン画像復元装置である。 素早い学習の段階では、素早い学習を活用し、3段階の品質レベルを識別できるきめ細かい品質知覚器を得る。 修復段階では,修復プロセスをさらに促進するために,意味的誘導モジュールとコンパクトな特徴抽出を提案する。
  論文  参考訳（メタデータ） (2024-08-28T17:58:54Z)
• Unified-Width Adaptive Dynamic Network for All-In-One Image Restoration [50.81374327480445]
  本稿では, 複雑な画像劣化を基本劣化の観点で表現できる, という新しい概念を提案する。 We propose the Unified-Width Adaptive Dynamic Network (U-WADN) which consist of two pivotal components: a Width Adaptive Backbone (WAB) and a Width Selector (WS)。 提案したU-WADNは、最大32.3%のFLOPを同時に削減し、約15.7%のリアルタイム加速を実現している。
  論文  参考訳（メタデータ） (2024-01-24T04:25:12Z)
• DIFFNAT: Improving Diffusion Image Quality Using Natural Image Statistics [39.457325373431836]
  そこで本研究では, 損失関数, viz., Kurtosis concentration (KC) の損失を総合的に保存する「自然性」を提案する。 我々のモチベーションは、自然画像の予測された硬変濃度特性に起因している。 生成した画像の「自然性」を維持するため,最高値と最低値とのギャップを小さくする。
  論文  参考訳（メタデータ） (2023-11-16T10:28:59Z)
• LTT-GAN: Looking Through Turbulence by Inverting GANs [86.25869403782957]
  本稿では,よく訓練されたGANによってカプセル化された視覚的事前情報を利用した最初の乱流緩和手法を提案する。 視覚的先行性に基づき、周期的な文脈距離で復元された画像の同一性を維持することを学ぶことを提案する。 本手法は, 回復した結果の視覚的品質と顔認証精度の両方において, 先行技術よりも優れていた。
  論文  参考訳（メタデータ） (2021-12-04T16:42:13Z)
• Implicit Subspace Prior Learning for Dual-Blind Face Restoration [66.67059961379923]
  新しい暗黙的サブスペース事前学習(ISPL)フレームワークが、二重盲顔復元の一般的な解決策として提案されている。 実験の結果,既存の最先端手法に対するISPLの認識歪改善が顕著であった。
  論文  参考訳（メタデータ） (2020-10-12T08:04:24Z)
• Blind Image Restoration with Flow Based Priors [19.190289348734215]
  未知の劣化を伴う盲点において、優れた先行性は依然として不可欠である。 本稿では, 正規化フローを用いて対象コンテンツの分布をモデル化し, 最大アフターリ(MAP)の定式化に先立ってこれを前もって用いることを提案する。 我々の知る限りでは、これは画像強調問題に先行する正規化フローを探求する最初の研究である。
  論文  参考訳（メタデータ） (2020-09-09T21:40:11Z)
• The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
  本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。 次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。 そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-16T08:17:44Z)
• Exploiting Deep Generative Prior for Versatile Image Restoration and Manipulation [181.08127307338654]
  本研究は, 大規模自然画像に基づいて学習したGAN(Generative Adversarial Network)により, 得られた画像の有効利用方法を示す。 深層生成前駆体(DGP)は、色、パッチ、解像度、様々な劣化した画像の欠落したセマンティクスを復元するための説得力のある結果を提供する。
  論文  参考訳（メタデータ） (2020-03-30T17:45:07Z)
• Blind Image Restoration without Prior Knowledge [0.22940141855172028]
  本稿では, 自己Normalization Side-Chain (SCNC) について述べる。 SCNCは既存のCNNトポロジに追加することができ、ネットワークの他の部分とエンドツーエンドでトレーニングされる。
  論文  参考訳（メタデータ） (2020-03-03T19:57:33Z)

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。