論文の概要: Residual Swin Transformer Channel Attention Network for Image Demosaicing

• arxiv url: http://arxiv.org/abs/2204.07098v1
• Date: Thu, 14 Apr 2022 16:45:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-15 14:00:46.525972
• Title: Residual Swin Transformer Channel Attention Network for Image Demosaicing
• Title（参考訳）: 画像復調のための残留スイニング変圧器チャネルアテンションネットワーク
• Authors: Wenzhu Xing and Karen Egiazarian
• Abstract要約: ディープニューラルネットワークは画像復元、特にデモで広く使われており、大幅な性能向上を実現している。 本稿では,SwinIRの成功に触発されて,RTTCANetと呼ばれる画像復調のための新しいSwin Transformerベースのネットワークを提案する。
• 参考スコア（独自算出の注目度）: 3.8073142980733
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Image demosaicing is problem of interpolating full- resolution color images from raw sensor (color filter array) data. During last decade, deep neural networks have been widely used in image restoration, and in particular, in demosaicing, attaining significant performance improvement. In recent years, vision transformers have been designed and successfully used in various computer vision applications. One of the recent methods of image restoration based on a Swin Transformer (ST), SwinIR, demonstrates state-of-the-art performance with a smaller number of parameters than neural network-based methods. Inspired by the success of SwinIR, we propose in this paper a novel Swin Transformer-based network for image demosaicing, called RSTCANet. To extract image features, RSTCANet stacks several residual Swin Transformer Channel Attention blocks (RSTCAB), introducing the channel attention for each two successive ST blocks. Extensive experiments demonstrate that RSTCANet out- performs state-of-the-art image demosaicing methods, and has a smaller number of parameters.
• Abstract（参考訳）: 画像復調は、生のセンサ(カラーフィルタアレイ)データから全解像度カラー画像を補間する問題である。 過去10年間、ディープニューラルネットワークは、画像復元、特にデモサイシングにおいて、大幅なパフォーマンス向上を達成するために広く用いられてきた。 近年、視覚変換器は様々なコンピュータビジョンアプリケーションで設計され、成功を収めている。 スウィントランスフォーマー(ST)に基づく最近の画像復元手法の1つであるSwinIRは、ニューラルネットワークベースの手法よりも少ないパラメータで最先端のパフォーマンスを示す。 本稿では,SwinIRの成功に触発されて,RTTCANetと呼ばれる画像復調のためのSwin Transformerベースのネットワークを提案する。 画像の特徴を抽出するため、rstcanetは複数の残留スウィントランスチャンネルアテンションブロック(rstcab)をスタックし、2つの連続するstブロックごとにチャンネルアテンションを導入する。 大規模な実験では、RTTCANetは最先端の画像復号法より優れており、パラメータは少ないことが示されている。

関連論文リスト

• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• A Lightweight Sparse Focus Transformer for Remote Sensing Image Change Captioning [11.93705794906543]
  本稿では、リモートセンシング画像変更キャプション(RSICC)タスクのためのスパースフォーカス変換器(SFT)を提案する。 提案するSFTネットワークは,スパースアテンション機構を組み込むことで,パラメータ数と計算複雑性を低減できる。
  論文  参考訳（メタデータ） (2024-05-10T16:56:53Z)
• SRTransGAN: Image Super-Resolution using Transformer based Generative Adversarial Network [16.243363392717434]
  トランスをベースとしたエンコーダデコーダネットワークを2倍画像と4倍画像を生成するジェネレータとして提案する。 提案したSRTransGANは、PSNRとSSIMのスコアの平均で、既存の手法よりも4.38%優れていた。
  論文  参考訳（メタデータ） (2023-12-04T16:22:39Z)
• Lightweight Structure-aware Transformer Network for VHR Remote Sensing Image Change Detection [15.391216316828354]
  RS画像CDのための軽量構造対応トランス (LSAT) ネットワークを提案する。 まず、線形複雑度を有するクロス次元インタラクティブ自己注意(CISA)モジュールは、視覚変換器におけるバニラ自己注意を置き換えるように設計されている。 第二に、SAEM(Structure-Aware Enhancement Module)は、差分特徴とエッジ詳細情報を強化するために設計されている。
  論文  参考訳（メタデータ） (2023-06-03T03:21:18Z)
• Pure Transformer with Integrated Experts for Scene Text Recognition [11.089203218000854]
  シーンテキスト認識(STR:Scene text recognition)は、自然のシーンの収穫された画像のテキストを読む作業である。 近年、変換器アーキテクチャはSTRで広く採用されており、長期依存を捕捉する強力な能力を示している。 本研究は,ハイブリッドCNN変換器モデルより優れた単純なベースラインとして,トランスフォーマーのみのモデルを提案する。
  論文  参考訳（メタデータ） (2022-11-09T15:26:59Z)
• High-Resolution Swin Transformer for Automatic Medical Image Segmentation [4.783572855609782]
  特徴マップの解像度は、医用画像のセグメンテーションに不可欠である。 既存のトランスフォーマーベースの医療画像セグメンテーション用ネットワークのほとんどは、U-Netのようなアーキテクチャである。 本稿では,高分解能ネットワーク(HRNet)のネットワーク設計方式を用いて,畳み込み層をトランスフォーマーブロックに置き換える。
  論文  参考訳（メタデータ） (2022-07-23T16:55:37Z)
• An Empirical Study of Remote Sensing Pretraining [117.90699699469639]
  本研究では,空中画像におけるリモートセンシング事前訓練(RSP)の実証的研究を行った。 RSPは、シーン認識タスクで特有のパフォーマンスを提供するのに役立つ。 RSPは、従来のイメージネットがRS画像に事前学習する際のデータ格差を緩和するが、それでもタスクの相違に悩まされる可能性がある。
  論文  参考訳（メタデータ） (2022-04-06T13:38:11Z)
• Transformer-based SAR Image Despeckling [53.99620005035804]
  本稿では,SAR画像復号化のためのトランスフォーマーネットワークを提案する。 提案する非特定ネットワークは、トランスフォーマーベースのエンコーダにより、異なる画像領域間のグローバルな依存関係を学習することができる。 実験により,提案手法は従来型および畳み込み型ニューラルネットワークに基づく解法よりも大幅に改善されていることが示された。
  論文  参考訳（メタデータ） (2022-01-23T20:09:01Z)
• Restormer: Efficient Transformer for High-Resolution Image Restoration [118.9617735769827]
  畳み込みニューラルネットワーク(CNN)は、大規模データから一般化可能な画像の事前学習をうまく行う。 トランスフォーマーは、自然言語とハイレベルな視覚タスクにおいて、顕著なパフォーマンス向上を示している。 我々のモデルであるRecovery Transformer (Restormer) は、いくつかの画像復元タスクにおいて最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-11-18T18:59:10Z)
• SwinIR: Image Restoration Using Swin Transformer [124.8794221439392]
  本研究では,Swin Transformerに基づく画像復元のための強力なベースラインモデルSwinIRを提案する。 SwinIRは、浅い特徴抽出、深い特徴抽出、高品質の画像再構成の3つの部分で構成されている。 画像超解像、画像デノイング、JPEG圧縮アーティファクト削減の3つの代表的なタスクについて実験を行った。
  論文  参考訳（メタデータ） (2021-08-23T15:55:32Z)
• Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation [63.46694853953092]
  Swin-Unetは、医用画像セグメンテーション用のUnetライクなトランスフォーマーである。 トークン化されたイメージパッチは、TransformerベースのU字型デコーダデコーダアーキテクチャに供給される。
  論文  参考訳（メタデータ） (2021-05-12T09:30:26Z)

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。