論文の概要: Semi-Supervised Super-Resolution
- arxiv url: http://arxiv.org/abs/2204.08192v1
- Date: Mon, 18 Apr 2022 07:10:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-19 16:36:08.676735
- Title: Semi-Supervised Super-Resolution
- Title（参考訳）: 半教師付き超解像
- Authors: Ankur Singh, Piyush Rai
- Abstract要約: 超解像(Super-Resolution)は、可視分解能を高めて低解像度の写真の品質を向上させる技術である。
超解法アルゴリズムは、限られた数の低解像度と高解像度のペアで訓練できるはずである。
本稿では,500対の例に満たない,シャープで高解像度の画像を生成するための半教師付き手法を提案する。
- 参考スコア（独自算出の注目度）: 30.872605139672086
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Super-Resolution is the process of generating a high-resolution image from a
low-resolution image. A picture may be of lower resolution due to smaller
spatial resolution, poor camera quality, as a result of blurring, or due to
other possible degradations. Super-Resolution is the technique to improve the
quality of a low-resolution photo by boosting its plausible resolution. The
computer vision community has extensively explored the area of
Super-Resolution. However, the previous Super-Resolution methods require vast
amounts of data for training. This becomes problematic in domains where very
few low-resolution, high-resolution pairs might be available. One of such areas
is statistical downscaling, where super-resolution is increasingly being used
to obtain high-resolution climate information from low-resolution data.
Acquiring high-resolution climate data is extremely expensive and challenging.
To reduce the cost of generating high-resolution climate information,
Super-Resolution algorithms should be able to train with a limited number of
low-resolution, high-resolution pairs. This paper tries to solve the
aforementioned problem by introducing a semi-supervised way to perform
super-resolution that can generate sharp, high-resolution images with as few as
500 paired examples. The proposed semi-supervised technique can be used as a
plug-and-play module with any supervised GAN-based Super-Resolution method to
enhance its performance. We quantitatively and qualitatively analyze the
performance of the proposed model and compare it with completely supervised
methods as well as other unsupervised techniques. Comprehensive evaluations
show the superiority of our method over other methods on different metrics. We
also offer the applicability of our approach in statistical downscaling to
obtain high-resolution climate images.
- Abstract（参考訳）: 超解像は低解像度画像から高解像度画像を生成する過程である。
画像は、空間解像度が小さく、カメラ品質が低かったり、ぼやけたり、その他の劣化の可能性があるため、解像度が低い。
スーパーレゾリューション(super- resolution)とは、低解像度の写真の品質を向上させる技術である。
コンピュータビジョンコミュニティはスーパーリゾリューションの領域を幅広く探求してきた。
しかし、従来の超解法は訓練に大量のデータを必要とする。
これは低解像度で高解像度なペアがほとんどない領域では問題となる。
このような領域の1つは統計的ダウンスケーリングであり、低解像度データから高解像度の気候情報を得るために超解像がますます使われている。
高解像度の気候データを取得するのは非常に高価で難しい。
高解像度の気候情報を生成するコストを削減するため、超解法アルゴリズムは限られた数の低解像度で高解像度のペアを訓練できる必要がある。
本稿では,500対の例に満たないシャープで高解像度の画像を生成するための半教師付き手法を導入することで,上記の問題を解決することを試みる。
提案手法は, 教師付きGANベースのスーパーリゾリューション法を用いて, プラグアンドプレイモジュールとして利用することができる。
提案モデルの性能を定量的・定性的に分析し,教師なし手法と同様に教師付き手法と比較した。
総合的な評価は, 異なる測定値における他の手法よりも優れた方法を示す。
また,高分解能気候画像を得るための統計的ダウンスケール手法の適用性も提供する。
関連論文リスト
- High-Resolution Be Aware! Improving the Self-Supervised Real-World Super-Resolution [37.546746047196486]
地平線画像は現実の環境では利用できないため、自己教師型学習は超高解像度には不可欠である。
既存の方法は、擬似ペアを作成したり、低分解能再構成目標を強制することによって、低分解能画像から自己監督を導出する。
本稿では,高解像度画像の認識を強化し,自己監督された現実世界の超解像を改善する。
論文 参考訳（メタデータ） (2024-11-25T08:13:32Z) - ACDMSR: Accelerated Conditional Diffusion Models for Single Image
Super-Resolution [84.73658185158222]
本稿では,ACDMSRと呼ばれる拡散モデルに基づく超解像法を提案する。
提案手法は, 決定論的反復分解過程を通じて超解像を行うために, 標準拡散モデルに適応する。
提案手法は,低解像度画像に対してより視覚的に現実的な表現を生成し,現実的なシナリオにおけるその有効性を強調した。
論文 参考訳（メタデータ） (2023-07-03T06:49:04Z) - How Real is Real: Evaluating the Robustness of Real-World Super
Resolution [0.0]
超解像は、高分解能画像上で行うダウンサンプリング法に頼って、既知の低分解能画像を形成するため、よく知られた問題である。
我々は,複数の最先端超解像法を評価し,様々な種類の実像を提示する際の性能評価を行う。
我々は、ほとんどの最先端超解法モデルにおいて差し迫った一般化問題を緩和する潜在的な解決策を提示する。
論文 参考訳（メタデータ） (2022-10-22T18:53:45Z) - Efficient High-Resolution Deep Learning: A Survey [90.76576712433595]
スマートフォン、衛星、医療機器などの現代の機器のカメラは、非常に高解像度の画像やビデオを撮影することができる。
このような高解像度データは、がん検出、自動道路ナビゲーション、天気予報、監視、農業プロセスの最適化、その他多くの応用のためのディープラーニングモデルによって処理される。
ディープラーニングモデルの直接入力として高解像度の画像とビデオを使用することで、パラメータの多さ、計算コスト、推論レイテンシ、GPUメモリ使用量など、多くの課題が生じる。
文献におけるいくつかの研究は、高解像度データの課題に対処し、ハードウェアの制限に従いながら精度とスピードを改善するために、より良い代替案を提案する。
論文 参考訳（メタデータ） (2022-07-26T17:13:53Z) - Uncovering the Over-smoothing Challenge in Image Super-Resolution: Entropy-based Quantification and Contrastive Optimization [67.99082021804145]
我々はDetail Enhanced Contrastive Loss (DECLoss)と呼ばれるCOO問題に対する明確な解決策を提案する。
DECLossはコントラスト学習のクラスタリング特性を利用して、潜在的な高分解能分布の分散を直接的に低減する。
我々は複数の超高解像度ベンチマーク上でDECLosを評価し,PSNR指向モデルの知覚品質を向上させることを実証した。
論文 参考訳（メタデータ） (2022-01-04T08:30:09Z) - Best-Buddy GANs for Highly Detailed Image Super-Resolution [71.13466303340192]
我々は,低分解能(LR)入力に基づいて高分解能(HR)画像を生成する単一画像超解像(SISR)問題を考える。
このラインに沿ったほとんどのメソッドは、SISRタスクに十分な柔軟性がない、事前定義されたシングルLRシングルHRマッピングに依存しています。
リッチディテールSISRのためのベストバディGAN(Beby-GAN)を提案する。
イミュータブルな1対1の制約を緩和することで、推定されたパッチを動的に最高の監視を求めることができる。
論文 参考訳（メタデータ） (2021-03-29T02:58:27Z) - A new public Alsat-2B dataset for single-image super-resolution [1.284647943889634]
本稿では,低空間解像度画像(10m, 2.5m)と高空間解像度画像(10m, 2.5m)の新たなリモートセンシングデータセット(Alsat2B)を提案する。
パンシャープ化により高分解能画像を得る。
その結果,提案手法は有望であり,データセットの課題を強調していることがわかった。
論文 参考訳（メタデータ） (2021-03-21T10:47:38Z) - A Generative Model for Hallucinating Diverse Versions of Super
Resolution Images [0.3222802562733786]
我々は、生成逆数モデルを用いて、同じ低解像度画像から異なる高解像度バージョンを得るという問題に取り組んでいる。
学習アプローチでは,高分解能画像の学習において,教師なしの保存と探索に高周波数を活用できる。
論文 参考訳（メタデータ） (2021-02-12T17:11:42Z) - Deep Learning-based Face Super-resolution: A Survey [78.11274281686246]
顔の超解像、別名顔の幻覚は、ドメイン固有のイメージの超解像問題です。
現在、深層学習に基づく顔の超解像に関する研究の要約は少ない。
本調査では,超解像面における深層学習の手法を体系的に総合的に検討する。
論文 参考訳（メタデータ） (2021-01-11T08:17:11Z) - Joint-SRVDNet: Joint Super Resolution and Vehicle Detection Network [17.57284924547865]
車両の識別・高分解能画像を生成するための統合超解像・車両検出ネットワーク(Joint-SRVDNet)を提案する。
空中画像はMsGAN(Multiscale Generative Adversarial Network)を用いて4倍の係数でアップスケールされる。
ネットワークは、ターゲットの階層的特徴と識別的特徴を共同で学習し、最適な超解像結果を生成する。
論文 参考訳（メタデータ） (2020-05-03T04:28:44Z) - Gated Fusion Network for Degraded Image Super Resolution [78.67168802945069]
本稿では,基本特徴と回復特徴を別々に抽出する二分岐畳み込みニューラルネットワークを提案する。
特徴抽出ステップを2つのタスク非依存ストリームに分解することで、デュアルブランチモデルがトレーニングプロセスを容易にすることができる。
論文 参考訳（メタデータ） (2020-03-02T13:28:32Z)
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。