論文の概要: FS-NCSR: Increasing Diversity of the Super-Resolution Space via
Frequency Separation and Noise-Conditioned Normalizing Flow
- arxiv url: http://arxiv.org/abs/2204.09679v1
- Date: Wed, 20 Apr 2022 06:44:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-22 12:57:10.333174
- Title: FS-NCSR: Increasing Diversity of the Super-Resolution Space via
Frequency Separation and Noise-Conditioned Normalizing Flow
- Title(参考訳): FS-NCSR:周波数分離と雑音条件正規化流による超解像空間の多様性の向上
- Authors: Ki-Ung Song, Dongseok Shim, Kang-wook Kim, Jae-young Lee, Younggeun
Kim
- Abstract要約: 周波数分離とノイズ条件付けを用いた多種多様な高品質超解像出力を実現するFS-NCSRを提案する。
FS-NCSRは、以前のNTIRE 2021チャレンジの勝者であるNCSRと比較して、画像品質を著しく低下させることなく、多様性のスコアを著しく改善する。
- 参考スコア(独自算出の注目度): 12.58203406442855
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Super-resolution suffers from an innate ill-posed problem that a single
low-resolution (LR) image can be from multiple high-resolution (HR) images.
Recent studies on the flow-based algorithm solve this ill-posedness by learning
the super-resolution space and predicting diverse HR outputs. Unfortunately,
the diversity of the super-resolution outputs is still unsatisfactory, and the
outputs from the flow-based model usually suffer from undesired artifacts which
causes low-quality outputs. In this paper, we propose FS-NCSR which produces
diverse and high-quality super-resolution outputs using frequency separation
and noise conditioning compared to the existing flow-based approaches. As the
sharpness and high-quality detail of the image rely on its high-frequency
information, FS-NCSR only estimates the high-frequency information of the
high-resolution outputs without redundant low-frequency components. Through
this, FS-NCSR significantly improves the diversity score without significant
image quality degradation compared to the NCSR, the winner of the previous
NTIRE 2021 challenge.
- Abstract(参考訳): 超解像は、1つの低分解能(LR)画像が複数の高分解能(HR)画像から得られるという本質的に不適切な問題に悩まされる。
フローベースアルゴリズムの最近の研究は、超解像空間を学習し、多様なHR出力を予測することによって、この不正を解消している。
残念ながら、超解像出力の多様性はまだ不十分であり、フローベースモデルからの出力は通常、低品質な出力を引き起こす望ましくない成果物に悩まされる。
本稿では,従来のフローベース手法と比較して,周波数分離と雑音条件を用いた多種多様な高品質超解像出力を生成するFS-NCSRを提案する。
画像のシャープさと高品質さは高周波情報に依存するため、FS-NCSRは冗長な低周波成分を持たない高分解能出力の高周波情報のみを推定する。
これにより、FS-NCSRは、以前のNTIRE 2021チャレンジの勝者であるNCSRと比較して、画像品質を著しく低下させることなく、多様性のスコアを著しく改善する。
関連論文リスト
- FreqINR: Frequency Consistency for Implicit Neural Representation with Adaptive DCT Frequency Loss [5.349799154834945]
本稿では、新しい任意スケール超解像法であるFreqINR(FreqINR)について述べる。
トレーニングでは,適応離散コサイン変換周波数損失(adaptive Discrete Cosine Transform Frequency Loss,ADFL)を用いて,HR画像と地絡画像の周波数ギャップを最小化する。
推論の際には,低分解能(LR)画像と地軸画像のスペクトルコヒーレンスを維持するために受容場を拡張した。
論文 参考訳(メタデータ) (2024-08-25T03:53:17Z) - Frequency-Domain Refinement with Multiscale Diffusion for Super Resolution [7.29314801047906]
周波数領域誘導型マルチスケール拡散モデル(FDDiff)を提案する。
FDDiffは、高周波情報補完プロセスをよりきめ細かいステップに分解する。
FDDiffは高忠実度超解像率で先行生成法より優れていた。
論文 参考訳(メタデータ) (2024-05-16T11:58:52Z) - HSR-Diff:Hyperspectral Image Super-Resolution via Conditional Diffusion
Models [10.865272587124027]
条件付き拡散モデル(HSR-Diff)を用いたHSI超解像(SR)手法を提案する。
HSR-Diffは、HR-HSIが純粋なガウス雑音で空間的であり、反復的に洗練されるような繰り返し精製によりHR-HSIを生成する。
さらに、フル解像度画像のグローバル情報を活用するために、プログレッシブラーニング戦略が採用されている。
論文 参考訳(メタデータ) (2023-06-21T08:04:30Z) - Gated Multi-Resolution Transfer Network for Burst Restoration and
Enhancement [75.25451566988565]
低画質の原画像のバーストから空間的精度の高い高画質画像を再構成する新しいGated Multi-Resolution Transfer Network (GMTNet)を提案する。
5つのデータセットに関する詳細な実験分析は、我々のアプローチを検証し、バースト超解像、バーストデノイング、低照度バーストエンハンスメントのための最先端技術を設定する。
論文 参考訳(メタデータ) (2023-04-13T17:54:00Z) - Implicit Diffusion Models for Continuous Super-Resolution [65.45848137914592]
本稿では,高忠実度連続画像超解像のためのインプリシティ拡散モデル(IDM)を提案する。
IDMは暗黙のニューラル表現とデノナイジング拡散モデルを統合されたエンドツーエンドフレームワークに統合する。
スケーリング係数は分解能を調節し、最終出力におけるLR情報と生成された特徴の比率を変調する。
論文 参考訳(メタデータ) (2023-03-29T07:02:20Z) - 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) - Decoupled-and-Coupled Networks: Self-Supervised Hyperspectral Image
Super-Resolution with Subpixel Fusion [67.35540259040806]
サブピクセルレベルのHS超解像フレームワークを提案する。
名前が示すように、DC-Netはまず入力を共通(またはクロスセンサー)とセンサー固有のコンポーネントに分離する。
我々は,CSUネットの裏側に自己教師付き学習モジュールを付加し,素材の整合性を保証し,復元されたHS製品の詳細な外観を向上する。
論文 参考訳(メタデータ) (2022-05-07T23:40:36Z) - FreqNet: A Frequency-domain Image Super-Resolution Network with Dicrete
Cosine Transform [16.439669339293747]
単一画像超解像(SISR)は低分解能(LR)入力から高分解能(HR)出力を得ることを目的とした不適切な問題である。
高ピーク信号-雑音比(PSNR)の結果にもかかわらず、モデルが望まれる高周波の詳細を正しく付加するかどうかを判断することは困難である。
本稿では、周波数領域の観点から直感的なパイプラインであるFreqNetを提案し、この問題を解決する。
論文 参考訳(メタデータ) (2021-11-21T11:49:12Z) - Noise Conditional Flow Model for Learning the Super-Resolution Space [8.130080378039601]
超解法におけるノイズ条件流モデルNCSRは、画像の視覚的品質と多様性を高める。
NCSRは,従来のGANモデルよりも,多様性と視覚的品質が向上し,視覚的品質が向上することを示す。
論文 参考訳(メタデータ) (2021-06-06T07:43:52Z) - Frequency Consistent Adaptation for Real World Super Resolution [64.91914552787668]
実シーンにスーパーリゾリューション(SR)法を適用する際に周波数領域の整合性を保証する新しい周波数一貫性適応(FCA)を提案する。
監視されていない画像から劣化カーネルを推定し、対応するLow-Resolution (LR)画像を生成する。
ドメイン一貫性のあるLR-HRペアに基づいて、容易に実装可能な畳み込みニューラルネットワーク(CNN)SRモデルを訓練する。
論文 参考訳(メタデータ) (2020-12-18T08:25:39Z) - SRFlow: Learning the Super-Resolution Space with Normalizing Flow [176.07982398988747]
超解像度は、与えられた低解像度画像の複数の予測を可能にするため、不適切な問題である。
出力の条件分布を学習できる正規化フローベース超解法SRFlowを提案する。
我々のモデルは、単一損失、すなわち負のログ類似度を用いて、原則的に訓練されている。
論文 参考訳(メタデータ) (2020-06-25T06:34:04Z)
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。