論文の概要: Bayesian Image Super-Resolution with Deep Modeling of Image Statistics

• arxiv url: http://arxiv.org/abs/2204.00623v1
• Date: Thu, 31 Mar 2022 20:52:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-05 14:10:24.412552
• Title: Bayesian Image Super-Resolution with Deep Modeling of Image Statistics
• Title（参考訳）: 画像統計の深部モデリングによるベイズ画像の超解法
• Authors: Shangqi Gao and Xiahai Zhuang
• Abstract要約: 本稿では,自然画像統計をスムーズさと空間性の組み合わせでモデル化したベイズ画像復元フレームワークを提案する。 本研究では,後方推定のための変分ベイズ的手法を開発し,教師なしトレーニング戦略を提案する。 理想的なSISR, 現実的なSISR, 実世界のSISRという3つの画像復元タスクの実験により, 本手法は様々なノイズレベルや劣化カーネルに対して優れたモデル一般化性を有することを示した。
• 参考スコア（独自算出の注目度）: 18.55701190218365
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling statistics of image priors is useful for image super-resolution, but little attention has been paid from the massive works of deep learning-based methods. In this work, we propose a Bayesian image restoration framework, where natural image statistics are modeled with the combination of smoothness and sparsity priors. Concretely, firstly we consider an ideal image as the sum of a smoothness component and a sparsity residual, and model real image degradation including blurring, downscaling, and noise corruption. Then, we develop a variational Bayesian approach to infer their posteriors. Finally, we implement the variational approach for single image super-resolution (SISR) using deep neural networks, and propose an unsupervised training strategy. The experiments on three image restoration tasks, \textit{i.e.,} ideal SISR, realistic SISR, and real-world SISR, demonstrate that our method has superior model generalizability against varying noise levels and degradation kernels and is effective in unsupervised SISR. The code and resulting models are released via \url{https://zmiclab.github.io/projects.html}.
• Abstract（参考訳）: 画像先行データのモデリングは画像の超解像に有用であるが,深層学習手法の大規模研究からはほとんど注目されていない。 本研究では,自然画像の統計を,滑らかさとスパーシティ優先の組み合わせでモデル化するベイズ画像復元フレームワークを提案する。 具体的には,まず,理想像を滑らかさ成分とスパーシティ残差の和として捉え,ボケ,ダウンスケーリング,ノイズ破壊を含む実像劣化をモデル化する。 そこで我々は,後方推定のための変分ベイズ的手法を開発した。 最後に,深層ニューラルネットワークを用いた単一画像超解像(sisr)のための変分法を実装し,教師なし学習戦略を提案する。 3つの画像復元タスク, 理想SISR, 現実SISR, 実世界のSISRの実験により, 本手法は様々なノイズレベルや劣化カーネルに対して優れたモデル一般化性を有し, 教師なしSISRに有効であることを示す。 コードと結果のモデルは \url{https://zmiclab.github.io/projects.html} でリリースされる。

関連論文リスト

• Boosting Flow-based Generative Super-Resolution Models via Learned Prior [8.557017814978334]
  フローベース超解像(SR)モデルは、高品質な画像を生成する際に驚くべき能力を示した。 これらの手法は、グリッドアーティファクト、爆発する逆数、固定サンプリング温度による最適以下の結果など、画像生成中にいくつかの課題に遭遇する。 本研究では、フローベースSRモデルの推論フェーズ前に学習した条件を導入する。
  論文  参考訳（メタデータ） (2024-03-16T18:04:12Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
  拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。 既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。 本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
  論文  参考訳（メタデータ） (2023-11-20T08:27:56Z)
• Super-resolution Reconstruction of Single Image for Latent features [8.857209365343646]
  単一像超解像(SISR)は、通常、様々な劣化した低分解能(LR)画像を単一の高分解能(HR)画像に復元することに焦点を当てる。 モデルが細部やテクスチャの多様性を保ちながら、高品質かつ迅速なサンプリングを同時に維持することは、しばしば困難である。 この課題は、モデル崩壊、再構成されたHR画像におけるリッチディテールとテクスチャの特徴の欠如、モデルサンプリングの過剰な時間消費などの問題を引き起こす可能性がある。
  論文  参考訳（メタデータ） (2022-11-16T09:37:07Z)
• 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)
• Single Image Internal Distribution Measurement Using Non-Local Variational Autoencoder [11.985083962982909]
  本稿では,非局所変分オートエンコーダ(textttNLVAE)という画像固有解を提案する。 textttNLVAEは,非局所領域からの非絡み合った情報を用いて高解像度画像を再構成する自己教師型戦略として導入された。 7つのベンチマークデータセットによる実験結果から,textttNLVAEモデルの有効性が示された。
  論文  参考訳（メタデータ） (2022-04-02T18:43:55Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)
• 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)
• 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)

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。