論文の概要: ARM: Any-Time Super-Resolution Method
- arxiv url: http://arxiv.org/abs/2203.10812v1
- Date: Mon, 21 Mar 2022 09:06:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-23 00:33:05.017406
- Title: ARM: Any-Time Super-Resolution Method
- Title（参考訳）: ARM: 任意の時間超解法
- Authors: Bohong Chen, Mingbao Lin, Kekai Sheng, Mengdan Zhang, Peixian Chen, Ke
Li, Liujuan Cao, Rongrong Ji
- Abstract要約: Any-time Super-Resolution Method (ARM) は、過パラメータ化された単一画像超解像(SISR)モデルに取り組むために提案される。
ARMは,(1)異なる大きさのSISRネットワークで異なる画像パッチの性能,(2)再構成画像の計算オーバーヘッドと性能との間にはトレードオフがあり,(3)入力画像が与えられた場合,そのエッジ情報はPSNRを推定する有効な選択肢となる。
- 参考スコア（独自算出の注目度）: 72.98897502507789
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper proposes an Any-time super-Resolution Method (ARM) to tackle the
over-parameterized single image super-resolution (SISR) models. Our ARM is
motivated by three observations: (1) The performance of different image patches
varies with SISR networks of different sizes. (2) There is a tradeoff between
computation overhead and performance of the reconstructed image. (3) Given an
input image, its edge information can be an effective option to estimate its
PSNR. Subsequently, we train an ARM supernet containing SISR subnets of
different sizes to deal with image patches of various complexity. To that
effect, we construct an Edge-to-PSNR lookup table that maps the edge score of
an image patch to the PSNR performance for each subnet, together with a set of
computation costs for the subnets. In the inference, the image patches are
individually distributed to different subnets for a better
computation-performance tradeoff. Moreover, each SISR subnet shares weights of
the ARM supernet, thus no extra parameters are introduced. The setting of
multiple subnets can well adapt the computational cost of SISR model to the
dynamically available hardware resources, allowing the SISR task to be in
service at any time. Extensive experiments on resolution datasets of different
sizes with popular SISR networks as backbones verify the effectiveness and the
versatility of our ARM. The source code is available at
\url{https://github.com/chenbong/ARM-Net}.
- Abstract（参考訳）: 本稿では,過パラメータ化単一画像超解像(sisr)モデルに取り組むためのany-time super- resolution method (arm)を提案する。
1)異なる画像パッチの性能は、異なる大きさのSISRネットワークによって異なる。
2) 計算オーバーヘッドと再構成画像の性能との間にはトレードオフがある。
(3)入力画像が与えられた場合,そのエッジ情報はPSNRを推定する有効な選択肢となる。
その後、異なるサイズのSISRサブネットを含むARMスーパーネットをトレーニングし、さまざまな複雑さの画像パッチに対処する。
そこで我々は,各サブネットに対して,画像パッチのエッジスコアをPSNR性能にマッピングするEdge-to-PSNRルックアップテーブルと,サブネットの計算コストのセットを構築した。
この推論では、画像パッチは計算性能のトレードオフを改善するために、個別に異なるサブネットに分散される。
さらに、各SISRサブネットはARMスーパーネットの重みを共有するため、余分なパラメータは導入されない。
複数のサブネットの設定は、SISRモデルの計算コストを動的に利用可能なハードウェアリソースに適切に適応させることができ、SISRタスクがいつでも使えるようになる。
一般的なSISRネットワークで異なるサイズの解像度データセットに関する大規模な実験は、バックボーンがARMの有効性と汎用性を検証する。
ソースコードは \url{https://github.com/chenbong/arm-net} で入手できる。
関連論文リスト
- DVMSR: Distillated Vision Mamba for Efficient Super-Resolution [7.551130027327461]
本研究では,ビジョン・マンバと蒸留戦略を組み込んだ新しい軽量画像SRネットワークであるDVMSRを提案する。
提案したDVMSRは,モデルパラメータの観点から,最先端の効率的なSR手法より優れている。
論文 参考訳（メタデータ） (2024-05-05T17:34:38Z) - Binarized Spectral Compressive Imaging [59.18636040850608]
ハイパースペクトル画像(HSI)再構成のための既存のディープラーニングモデルは、優れた性能を実現するが、膨大なメモリと計算資源を持つ強力なハードウェアを必要とする。
本稿では,BiSRNet(Biarized Spectral-Redistribution Network)を提案する。
BiSRNetは,提案手法を用いてベースモデルのバイナライズを行う。
論文 参考訳（メタデータ） (2023-05-17T15:36:08Z) - LR-CSNet: Low-Rank Deep Unfolding Network for Image Compressive Sensing [19.74767410530179]
深部展開型ネットワーク(DUN)は、圧縮センシング(CS)に有効なアプローチであることが証明されている。
本研究では,自然画像CSのための低ランクCSネットワーク(LR-CSNet)を提案する。
広範に検討された3つのデータセットに対する実験は、LR-CSNetの有望な性能を示す。
論文 参考訳（メタデータ） (2022-12-18T13:54:11Z) - Lightweight Image Super-Resolution with Hierarchical and Differentiable
Neural Architecture Search [38.83764580480486]
単一画像スーパーリゾリューション(SISR)タスクは、ディープニューラルネットワークで大きなパフォーマンスを達成しました。
本稿では, セルレベルとネットワークレベルの両方に対して, 軽量SISRモデル検索のための新しい微分可能なニューラルアーキテクチャ探索手法を提案する。
論文 参考訳（メタデータ） (2021-05-09T13:30:16Z) - Super-resolving Compressed Images via Parallel and Series Integration of
Artifact Reduction and Resolution Enhancement [24.45801094210365]
本稿では, アーティファクト除去と分解能向上の並列およびシリーズ統合に基づく, 圧縮画像超解像(CISR)フレームワークを提案する。
CSIRシステムのユニークな特徴は、異なる方法で圧縮されたLR画像を様々な品質に超解ける1つの訓練されたモデルである。
論文 参考訳（メタデータ） (2021-03-02T13:04:28Z) - 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) - MDCN: Multi-scale Dense Cross Network for Image Super-Resolution [35.59973281360541]
本稿では,より少ないパラメータと少ない実行時間で優れた性能を実現するマルチスケールDense Cross Network (MDCN)を提案する。
MDCNは多層密閉ブロック(MDCB)、階層的特徴蒸留ブロック(HFDB)、動的再構成ブロック(DRB)からなる。
論文 参考訳（メタデータ） (2020-08-30T03:50:19Z) - Sequential Hierarchical Learning with Distribution Transformation for
Image Super-Resolution [83.70890515772456]
画像SRのための逐次階層学習型超解像ネットワーク(SHSR)を構築した。
特徴のスケール間相関を考察し、階層的情報を段階的に探索するシーケンシャルなマルチスケールブロック(SMB)を考案する。
実験結果から,SHSRは最先端手法に優れた定量的性能と視覚的品質が得られることが示された。
論文 参考訳（メタデータ） (2020-07-19T01:35:53Z) - Lightweight image super-resolution with enhanced CNN [82.36883027158308]
強い表現力を持つ深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像(SISR)において印象的な性能を達成した
情報抽出・拡張ブロック(IEEB)、再構築ブロック(RB)、情報精製ブロック(IRB)の3つの連続したサブブロックを持つ軽量拡張SR CNN(LESRCNN)を提案する。
IEEBは階層的低分解能(LR)特徴を抽出し、SISRの深い層上の浅い層の記憶能力を高めるために、得られた特徴を段階的に集約する。
RBはグローバルに拡散することで低周波特徴を高周波特徴に変換する
論文 参考訳（メタデータ） (2020-07-08T18:03:40Z) - 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。