論文の概要: GHM Wavelet Transform for Deep Image Super Resolution

• arxiv url: http://arxiv.org/abs/2204.07862v1
• Date: Sat, 16 Apr 2022 19:59:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-19 16:39:53.373422
• Title: GHM Wavelet Transform for Deep Image Super Resolution
• Title（参考訳）: 深部画像超解像のためのGHMウェーブレット変換
• Authors: Ben Lowe, Hadi Salman, Justin Zhan
• Abstract要約: GHM多重レベル離散ウェーブレット変換は畳み込みニューラルネットワークを用いた画像超解像の前処理として提案される。 37個の単一レベルのウェーブレットを、Haar, Daubechies, Biorthogonal, Reverse Biorthogonal, Coiflets, Symlets wavelet familyから実験的に解析した。
• 参考スコア（独自算出の注目度）: 4.522973196613816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The GHM multi-level discrete wavelet transform is proposed as preprocessing for image super resolution with convolutional neural networks. Previous works perform analysis with the Haar wavelet only. In this work, 37 single-level wavelets are experimentally analyzed from Haar, Daubechies, Biorthogonal, Reverse Biorthogonal, Coiflets, and Symlets wavelet families. All single-level wavelets report similar results indicating that the convolutional neural network is invariant to choice of wavelet in a single-level filter approach. However, the GHM multi-level wavelet achieves higher quality reconstructions than the single-level wavelets. Three large data sets are used for the experiments: DIV2K, a dataset of textures, and a dataset of satellite images. The approximate high resolution images are compared using seven objective error measurements. A convolutional neural network based approach using wavelet transformed images has good results in the literature.
• Abstract（参考訳）: GHM多重レベル離散ウェーブレット変換は畳み込みニューラルネットワークを用いた画像超解像の前処理として提案される。 以前の作品はハールウェーブレットのみを用いて分析を行う。 本研究では,37種類の単一レベルウェーブレットを,haar, daubechies, biorthogonal, reverse biorthogonal, coiflets, symlets wavelet familyから実験的に解析した。 すべての単一レベルウェーブレットは、畳み込みニューラルネットワークが単一レベルフィルタアプローチにおいてウェーブレットの選択に不変であることを示す同様の結果を示す。 しかし、GHMマルチレベルウェーブレットはシングルレベルウェーブレットよりも高品質なリコンストラクションを実現する。 実験にはdiv2k、テクスチャのデータセット、衛星画像のデータセットという3つの大きなデータセットが使用されている。 近似高解像度画像は、7つの客観的誤差測定を用いて比較する。 ウェーブレット変換画像を用いた畳み込みニューラルネットワークによるアプローチは、文献によい結果をもたらす。

関連論文リスト

• Local Implicit Wavelet Transformer for Arbitrary-Scale Super-Resolution [15.610136214020947]
  暗黙の神経表現は、最近、画像の任意のスケールの超解像(SR)において有望な可能性を証明している。 既存のほとんどの手法は、クエリされた座標と近くの特徴のアンサンブルに基づいて、SR画像中のピクセルを予測する。 本稿では,高周波テクスチャの再現性を高めるために,LIWT(Local Implicit Wavelet Transformer)を提案する。
  論文  参考訳（メタデータ） (2024-11-10T12:21:14Z)
• WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
  深部画像登録は異常な精度と高速な推測を示した。 近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。 本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
  論文  参考訳（メタデータ） (2024-07-18T11:51:01Z)
• Hyper-VolTran: Fast and Generalizable One-Shot Image to 3D Object Structure via HyperNetworks [53.67497327319569]
  画像から3Dまでを1つの視点から解く新しいニューラルレンダリング手法を提案する。 提案手法では, 符号付き距離関数を表面表現として使用し, 幾何エンコードボリュームとハイパーネットワークスによる一般化可能な事前処理を取り入れた。 本実験は,一貫した結果と高速な生成による提案手法の利点を示す。
  論文  参考訳（メタデータ） (2023-12-24T08:42:37Z)
• Exploring Invariance in Images through One-way Wave Equations [96.90549064390608]
  本稿では,画像画像上の不等式が一方向の波動方程式と潜時速度の組を共有していることを実証的に明らかにする。 本稿では,各画像が対応する初期条件に符号化される直感的なエンコーダ・デコーダ・フレームワークを用いて実演する。
  論文  参考訳（メタデータ） (2023-10-19T17:59:37Z)
• Wave-ViT: Unifying Wavelet and Transformers for Visual Representation Learning [138.29273453811945]
  マルチスケールビジョントランス (ViT) はコンピュータビジョンタスクの強力なバックボーンとして登場した。 本稿では,ウェーブレット変換と自己注意学習を用いて,可逆的なダウンサンプリングを定式化する新しいウェーブレットビジョン変換器(textbfWave-ViT)を提案する。
  論文  参考訳（メタデータ） (2022-07-11T16:03:51Z)
• aiWave: Volumetric Image Compression with 3-D Trained Affine Wavelet-like Transform [43.984890290691695]
  最も一般的なボリューム画像圧縮法はJP3Dのようなウェーブレット変換に基づいている。 本稿では,信号依存型および非分離型変換を実現するために,まず3次元トレーニングウェーブレット様変換を設計する。 次に、アフィンウェーブレットベースを導入し、ボリューム画像の異なる領域における様々な局所的相関をキャプチャする。
  論文  参考訳（メタデータ） (2022-03-11T10:02:01Z)
• Single Plane-Wave Imaging using Physics-Based Deep Learning [2.1410799064827226]
  平面波イメージングでは、異なる角度から複数の非焦点超音波が媒介される。 超音波イメージングを改善するための深層学習法が提案されている。 本稿では、深部畳み込みニューラルネットワークにおける波動物理に基づく画像形成アルゴリズムを組み込んだデータ・ツー・イメージアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-09-08T14:06:29Z)
• Learning the geometry of wave-based imaging [24.531973107529584]
  本研究では、フーリエ積分演算子(FIO)にインスパイアされた解釈可能なニューラルネットワークを構築し、波動物理を近似する。 本研究では,データに暗黙的なFIOによって捕捉された波動伝播の幾何学的形状を,最適輸送に基づく損失によって学習することに集中する。 提案したFIONetは、多くの画像逆問題、特にアウト・オブ・ディストリビューションテストにおいて、通常のベースラインよりもはるかに優れている。
  論文  参考訳（メタデータ） (2020-06-10T14:29:54Z)
• Noise Homogenization via Multi-Channel Wavelet Filtering for High-Fidelity Sample Generation in GANs [47.92719758687014]
  GAN(Generative Adversarial Networks)のための新しいマルチチャネルウェーブレットに基づくフィルタリング手法を提案する。 ジェネレータにウェーブレットのデコンボリューション層を埋め込むと、結果のGANであるWaveletGANがウェーブレットのデコンボリューションを利用して複数のチャネルによるフィルタリングを学習する。 オープンGANベンチマークツールを用いて,Fashion-MNIST,KMNIST,SVHNデータセットのベンチマーク実験を行った。
  論文  参考訳（メタデータ） (2020-05-14T03:40:11Z)

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。