論文の概要: Generative Adversarial Networks for Image Super-Resolution: A Survey

• arxiv url: http://arxiv.org/abs/2204.13620v4
• Date: Mon, 23 Dec 2024 08:27:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 12:13:07.739202
• Title: Generative Adversarial Networks for Image Super-Resolution: A Survey
• Title（参考訳）: 画像スーパーリゾリューションのためのジェネレーティブ・アドバイサル・ネットワーク:サーベイ
• Authors: Chunwei Tian, Xuanyu Zhang, Qi Zhu, Bob Zhang, Jerry Chun-Wei Lin,
• Abstract要約: 単一画像超解像(SISR)は画像処理の分野で重要な役割を果たしている。 近年のGAN(Generative Adversarial Network)は,小サンプルを用いた低解像度画像に対して優れた結果が得られる。 本稿では,異なる視点からGANの比較研究を行う。
• 参考スコア（独自算出の注目度）: 49.567332038602785
• License:
• Abstract: Single image super-resolution (SISR) has played an important role in the field of image processing. Recent generative adversarial networks (GANs) can achieve excellent results on low-resolution images with small samples. However, there are little literatures summarizing different GANs in SISR. In this paper, we conduct a comparative study of GANs from different perspectives. We first take a look at developments of GANs. Second, we present popular architectures for GANs in big and small samples for image applications. Then, we analyze motivations, implementations and differences of GANs based optimization methods and discriminative learning for image super-resolution in terms of supervised, semi-supervised and unsupervised manners, where these GANs are analyzed via integrating different network architectures, prior knowledge, loss functions and multiple tasks. Next, we compare performance of these popular GANs on public datasets via quantitative and qualitative analysis in SISR. Finally, we highlight challenges of GANs and potential research points for SISR.
• Abstract（参考訳）: 単一画像超解像(SISR)は画像処理の分野で重要な役割を果たしている。 近年のGAN(Generative Adversarial Network)は,小サンプルを用いた低解像度画像に対して優れた結果が得られる。 しかし、SISRに異なるGANを要約する文献はほとんどない。 本稿では,異なる視点からGANの比較研究を行う。 まず、GANの開発について見ていきます。 第2に、画像アプリケーションのための大小のサンプルにおいて、GAN用の一般的なアーキテクチャを提案する。 そして、GANのモチベーション、実装、差異を分析し、教師付き、半教師なし、教師なしの方法で画像の超解像に対する識別学習を行い、これらのGANは異なるネットワークアーキテクチャ、事前知識、損失関数、複数のタスクを統合することで分析する。 次に、SISRの量的および定性的な分析を通じて、パブリックデータセット上のこれらの人気のあるGANのパフォーマンスを比較する。 最後に、GANの課題とSISRの潜在的研究ポイントを強調します。

関連論文リスト

• 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)
• Memory-augmented Deep Unfolding Network for Guided Image Super-resolution [67.83489239124557]
  誘導画像超解像(GISR)は、HR画像の誘導の下で低解像度(LR)目標画像の空間分解能を高めて高解像度(HR)目標画像を得る。 従来のモデルベース手法は主に画像全体を取り、HR目標画像とHRガイダンス画像との事前分布を仮定する。 HR目標画像上で2種類の事前性を持つGISRの最大後部(MAP)推定モデルを提案する。
  論文  参考訳（メタデータ） (2022-02-12T15:37:13Z)
• A Systematic Survey of Deep Learning-based Single-Image Super-Resolution [44.40478296457616]
  単一像超解像(SISR)は画像処理において重要な課題であり、画像システムの解像度を高めることを目的としている。 最近、SISRは大きな飛躍を遂げ、ディープラーニング(DL)の助けを借りて有望な成果を上げている。
  論文  参考訳（メタデータ） (2021-09-29T10:41:41Z)
• 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)
• Image Synthesis with Adversarial Networks: a Comprehensive Survey and Case Studies [41.00383742615389]
  GAN(Generative Adversarial Networks)は、コンピュータビジョン、医学、自然言語処理など、さまざまなアプリケーション分野で非常に成功しています。 GANは、意味的に意味のあるサンプルを合成する複雑な分布を学習するための強力なモデルである。 本調査では,現時点の高速なGANの開発状況を踏まえ,画像合成の敵モデルに関する総合的なレビューを行う。
  論文  参考訳（メタデータ） (2020-12-26T13:30:42Z)
• Attaining Real-Time Super-Resolution for Microscopic Images Using GAN [0.06345523830122167]
  本稿では,標準的なGPUを用いた超解像顕微鏡をリアルタイムに実行するための,既存のディープラーニングに基づく手法の改善に焦点をあてる。 生成器のアーキテクチャとSRGANの判別器の単純な変更を提案する。 我々は、我々のモデルが生成した出力の品質と実行時間を比較し、ローエンドのベンチトップやモバイルの顕微鏡のような様々な領域にそのアプリケーションを開放する。
  論文  参考訳（メタデータ） (2020-10-09T15:26:21Z)
• Deep Cyclic Generative Adversarial Residual Convolutional Networks for Real Image Super-Resolution [20.537597542144916]
  我々は、LRとHRデータ分布間の領域整合性を維持するために、深い循環ネットワーク構造を考える。 本稿では,LRからHRドメインへの変換のためのGAN(Generative Adversarial Network)フレームワークを用いた学習により,超解像残留周期生成逆ネットワーク(SRResCycGAN)を提案する。
  論文  参考訳（メタデータ） (2020-09-07T11:11:18Z)
• A Novel Measure to Evaluate Generative Adversarial Networks Based on Direct Analysis of Generated Images [0.0]
  GAN(Generative Adversarial Network)は、ディープラーニング分野における最先端技術である。 本稿では、生成した画像を直接解析することで、GANを評価するための基本的な方法を検討する。
  論文  参考訳（メタデータ） (2020-02-27T18:59:22Z)
• Informative Sample Mining Network for Multi-Domain Image-to-Image Translation [101.01649070998532]
  本稿では,画像から画像への翻訳作業において,サンプル選択戦略の改善が有効であることを示す。 本稿では,サンプルの硬さを抑えつつ,サンプルの硬さを抑えるための新しい多段階サンプルトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2020-01-05T05:48:02Z)

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。