論文の概要: A Novel End-To-End Network for Reconstruction of Non-Regularly Sampled
Image Data Using Locally Fully Connected Layers
- arxiv url: http://arxiv.org/abs/2203.09180v1
- Date: Thu, 17 Mar 2022 09:02:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-18 13:41:43.826858
- Title: A Novel End-To-End Network for Reconstruction of Non-Regularly Sampled
Image Data Using Locally Fully Connected Layers
- Title（参考訳）: 局所的完全連結層を用いた非正規サンプリング画像データ再構成のための新しいエンドツーエンドネットワーク
- Authors: Simon Grosche and Fabian Brand and Andr\'e Kaup
- Abstract要約: 非正規サンプルセンサデータから高解像度画像を再構成する新しいエンドツーエンドニューラルネットワークを提案する。
このネットワークは、ローカルに完全に接続された再構築ネットワーク(LFCR)と標準VDSRネットワークの結合である。
VDSRの低解像度センサと比較すると、1.11dBのゲインが得られる。
- 参考スコア（独自算出の注目度）: 3.452491349203391
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quarter sampling and three-quarter sampling are novel sensor concepts that
enable the acquisition of higher resolution images without increasing the
number of pixels. This is achieved by non-regularly covering parts of each
pixel of a low-resolution sensor such that only one quadrant or three quadrants
of the sensor area of each pixel is sensitive to light. Combining a properly
designed mask and a high-quality reconstruction algorithm, a higher image
quality can be achieved than using a low-resolution sensor and subsequent
upsampling. For the latter case, the image quality can be further enhanced
using super resolution algorithms such as the very deep super resolution
network (VDSR). In this paper, we propose a novel end-to-end neural network to
reconstruct high resolution images from non-regularly sampled sensor data. The
network is a concatenation of a locally fully connected reconstruction network
(LFCR) and a standard VDSR network. Altogether, using a three-quarter sampling
sensor with our novel neural network layout, the image quality in terms of PSNR
for the Urban100 dataset can be increased by 2.96 dB compared to the
state-of-the-art approach. Compared to a low-resolution sensor with VDSR, a
gain of 1.11 dB is achieved.
- Abstract（参考訳）: クォーターサンプリングと3/4サンプリングは、ピクセル数を増やすことなく高解像度画像の取得を可能にする新しいセンサー概念である。
これは、低解像度センサの各画素の非規則被覆部において、各画素のセンサ領域の4分の1または3の4分の1のみが光に敏感である。
適切に設計されたマスクと高品質な再構成アルゴリズムを組み合わせることで、低解像度センサやその後のアップサンプリングよりも高い画質を実現することができる。
後者の場合、超高解像度ネットワーク(VDSR)のような超高解像度アルゴリズムを用いて、画質をさらに向上することができる。
本稿では,非正規サンプリングセンサデータから高解像度画像を再構成する,新しいエンドツーエンドニューラルネットワークを提案する。
このネットワークは、ローカルに完全に接続された再構築ネットワーク(LFCR)と標準VDSRネットワークの結合である。
さらに,新しいニューラルネットワークレイアウトを持つ3/4サンプリングセンサを用いて,Urban100データセットのPSNRの画質を,最先端のアプローチと比較して2.96dB向上させることができる。
VDSRの低解像度センサと比較すると、1.11dBのゲインが得られる。
関連論文リスト
- CADyQ: Content-Aware Dynamic Quantization for Image Super-Resolution [55.50793823060282]
本稿では,画像超解像(SR)ネットワークのための新しいコンテント・アウェア・ダイナミック量子化(CADyQ)手法を提案する。
CADyQは、入力画像のローカル内容に基づいて、局所領域と層に最適なビットを適応的に割り当てる。
パイプラインは様々なSRネットワークでテストされ、いくつかの標準ベンチマークで評価されている。
論文 参考訳（メタデータ） (2022-07-21T07:50:50Z) - Hybrid Pixel-Unshuffled Network for Lightweight Image Super-Resolution [64.54162195322246]
畳み込みニューラルネットワーク(CNN)は画像超解像(SR)において大きな成功を収めた
ほとんどのディープCNNベースのSRモデルは、高い性能を得るために大量の計算を処理している。
SRタスクに効率的かつ効果的なダウンサンプリングモジュールを導入することで,HPUN(Hybrid Pixel-Unshuffled Network)を提案する。
論文 参考訳（メタデータ） (2022-03-16T20:10:41Z) - Image Super-Resolution Using T-Tetromino Pixels [3.8233569758620054]
シングルイメージの超解像技術はアップスケーリングに応用できる。
テトロミノ形状の画素を用いた新しいビンニングの概念を提案する。
我々はPSNR, SSIM, 画像の画質を従来の単一画像の超解像と比較し, 優れた画質を実現する。
論文 参考訳（メタデータ） (2021-11-17T10:11:03Z) - Small Lesion Segmentation in Brain MRIs with Subpixel Embedding [105.1223735549524]
ヒト脳のMRIスキャンを虚血性脳梗塞と正常組織に分割する方法を提案する。
本稿では,空間展開埋め込みネットワークによって予測を導出する標準エンコーダデコーダの形式でニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-09-18T00:21:17Z) - Generating Superpixels for High-resolution Images with Decoupled Patch
Calibration [82.21559299694555]
Patch Networks (PCNet) は高解像度のスーパーピクセルセグメンテーションを効率的かつ正確に実装するように設計されている。
DPCは高解像度画像から局所パッチを取得し、動的にバイナリマスクを生成し、ネットワークを領域境界に集中させる。
特に、DPCは高解像度画像からローカルパッチを取り、動的にバイナリマスクを生成して、ネットワークを領域境界に集中させる。
論文 参考訳（メタデータ） (2021-08-19T10:33:05Z) - TWIST-GAN: Towards Wavelet Transform and Transferred GAN for
Spatio-Temporal Single Image Super Resolution [4.622977798361014]
単一画像スーパーレゾリューション(sisr)は、空間解像度の低いリモートセンシング画像から、微細な空間解像度を持つ高解像度画像を生成する。
深層学習とGAN(Generative Adversarial Network)は、単一画像超解像(SISR)の課題を突破した。
論文 参考訳（メタデータ） (2021-04-20T22:12:38Z) - High Quality Remote Sensing Image Super-Resolution Using Deep Memory
Connected Network [21.977093907114217]
単一画像の超解像は、ターゲット検出や画像分類といった多くの用途において重要である。
本稿では,畳み込みニューラルネットワークによる高画質超解像画像の再構成手法として,DeepMemory Connected Network (DMCN)を提案する。
論文 参考訳（メタデータ） (2020-10-01T15:06:02Z) - 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) - ODE-CNN: Omnidirectional Depth Extension Networks [43.40308168978984]
本研究では,全方位カメラとキャリブレーションされた投影深度カメラを組み合わせた低コスト3Dセンシングシステムを提案する。
欠損した深度を正確に回復するために,一方向の深度拡張畳み込みニューラルネットワークを設計する。
ODE-CNNは、他の最先端(SoTA)手法よりもかなり優れている(相対的に33%の深度誤差の低減)。
論文 参考訳（メタデータ） (2020-07-03T03:14:09Z) - Hyperspectral Image Super-resolution via Deep Progressive Zero-centric
Residual Learning [62.52242684874278]
空間情報とスペクトル情報の相互モダリティ分布が問題となる。
本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。
本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
論文 参考訳（メタデータ） (2020-06-18T06:32:11Z)
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。