論文の概要: Semi-Cycled Generative Adversarial Networks for Real-World Face Super-Resolution

• arxiv url: http://arxiv.org/abs/2205.03777v1
• Date: Sun, 8 May 2022 04:10:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-10 15:50:36.050163
• Title: Semi-Cycled Generative Adversarial Networks for Real-World Face Super-Resolution
• Title（参考訳）: 実世界面超解像のための半サイクル生成型逆ネットワーク
• Authors: Hao Hou, Xiaotao Hu, Jun Xu, Yingkun Hou, Benzheng Wei, and Dinggang Shen
• Abstract要約: SCGAN(Semi-Cycled Generative Adversarial Networks)は、現実のLR顔画像と合成LR画像との間の領域ギャップの悪影響を軽減することができる。 我々のSCGANは、現実の顔SRの顔構造や細部を復元する最先端の手法よりも優れています。
• 参考スコア（独自算出の注目度）: 42.28329174814336
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world face super-resolution (SR) is a highly ill-posed image restoration task. The fully-cycled Cycle-GAN architecture is widely employed to achieve promising performance on face SR, but prone to produce artifacts upon challenging cases in real-world scenarios, since joint participation in the same degradation branch will impact final performance due to huge domain gap between real-world and synthetic LR ones obtained by generators. To better exploit the powerful generative capability of GAN for real-world face SR, in this paper, we establish two independent degradation branches in the forward and backward cycle-consistent reconstruction processes, respectively, while the two processes share the same restoration branch. Our Semi-Cycled Generative Adversarial Networks (SCGAN) is able to alleviate the adverse effects of the domain gap between the real-world LR face images and the synthetic LR ones, and to achieve accurate and robust face SR performance by the shared restoration branch regularized by both the forward and backward cycle-consistent learning processes. Experiments on two synthetic and two real-world datasets demonstrate that, our SCGAN outperforms the state-of-the-art methods on recovering the face structures/details and quantitative metrics for real-world face SR. The code will be publicly released at https://github.com/HaoHou-98/SCGAN.
• Abstract（参考訳）: real-world face super- resolution (sr) は非常に不適切な画像復元タスクである。 完全サイクルのCycle-GANアーキテクチャは、顔SR上で有望な性能を達成するために広く利用されているが、実際のシナリオでは、同じ劣化ブランチへの共同参加が、実世界のLRとジェネレータが獲得した合成LRとの間の大きなドメインギャップのために最終的なパフォーマンスに影響を与えるため、挑戦的なケースでアーティファクトを生成する傾向にある。 本稿では,実世界の顔srに対してganの強力な生成能力をうまく活用するために,前部と後部サイクル一貫性のある再構築プロセスにおいて,それぞれ2つの独立した劣化分枝を確立し,この2つのプロセスが同じ修復分枝を共有していることを示す。 我々の半サイクル生成適応ネットワーク(SCGAN)は、実世界のLR顔画像と合成LR画像との領域ギャップの悪影響を軽減し、前向きと後向きの両方の学習プロセスで正規化された共有復元ブランチにより、正確で堅牢な顔SR性能を実現する。 2つの実世界のデータセットと2つの実世界のデータセットの実験により、私たちのSCGANは、顔の構造や詳細を復元する最先端の手法と、実世界の顔 SR の定量的指標を上回ります。 コードはhttps://github.com/HaoHou-98/SCGANで公開される。

関連論文リスト

• Towards Realistic Data Generation for Real-World Super-Resolution [58.88039242455039]
  RealDGenは、現実世界の超解像のために設計された教師なし学習データ生成フレームワークである。 我々は,コンテンツ分解脱結合拡散モデルに統合されたコンテンツと劣化抽出戦略を開発する。 実験により、RealDGenは、現実世界の劣化を反映する大規模で高品質なペアデータを生成するのに優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-11T13:34:57Z)
• ICF-SRSR: Invertible scale-Conditional Function for Self-Supervised Real-world Single Image Super-Resolution [60.90817228730133]
  単一画像超解像(SISR)は、与えられた低解像度(LR)画像を高解像度(HR)にアップサンプリングすることを目的とした課題である。 近年のアプローチは、単純化されたダウンサンプリング演算子によって劣化したシミュレーションLR画像に基づいて訓練されている。 Invertible Scale-Conditional Function (ICF) を提案する。これは入力画像をスケールし、異なるスケール条件で元の入力を復元する。
  論文  参考訳（メタデータ） (2023-07-24T12:42:45Z)
• The Best of Both Worlds: a Framework for Combining Degradation Prediction with High Performance Super-Resolution Networks [14.804000317612305]
  本稿では,ブラインドSR予測機構とディープSRネットワークを組み合わせるためのフレームワークを提案する。 我々は、我々のハイブリッドモデルが、非盲目モデルと盲目モデルの両方よりも強いSR性能を一貫して達成していることを示す。
  論文  参考訳（メタデータ） (2022-11-09T16:49:35Z)
• Learning Structral coherence Via Generative Adversarial Network for Single Image Super-Resolution [13.803141755183827]
  近年,GAN(Generative Adversarial Network)に基づくSISR法により,全体の現実的SR画像が得られた。 SRプロセスにおける高分解能勾配図の復元により構造情報を保存するため, 発電機に勾配分岐を導入する。 さらに、U-netベースの判別器を用いて、画像全体と画素ごとの詳細な認証の両方について検討する。
  論文  参考訳（メタデータ） (2021-01-25T15:26:23Z)
• 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)
• Component Divide-and-Conquer for Real-World Image Super-Resolution [143.24770911629807]
  本稿では,DRealSR,DRealSR,および分割コンカレント・コンカレント・スーパー・リゾリューション・ネットワークの大規模画像スーパー・リゾリューション・データセットを提案する。 DRealSRは、さまざまな現実世界の劣化プロセスを備えた新しいSRベンチマークを確立する。 SR に対して Component Divide-and-Conquer (CDC) モデルと Gradient-Weighted (GW) 損失を提案する。
  論文  参考訳（メタデータ） (2020-08-05T04:26:26Z)
• HiFaceGAN: Face Renovation via Collaborative Suppression and Replenishment [63.333407973913374]
  フェース・リノベーション(FR)は意味誘導型生成問題である。 HiFaceGANは、複数のネストされたCSRユニットを含む多段階フレームワークである。 合成画像と実顔画像の両方の実験により,HiFaceGANの優れた性能が確認された。
  論文  参考訳（メタデータ） (2020-05-11T11:33:17Z)
• DDet: Dual-path Dynamic Enhancement Network for Real-World Image Super-Resolution [69.2432352477966]
  実画像超解像(Real-SR)は、実世界の高分解能画像(HR)と低分解能画像(LR)の関係に焦点を当てている。 本稿では,Real-SRのためのデュアルパス動的拡張ネットワーク(DDet)を提案する。 特徴表現のための大規模な畳み込みブロックを積み重ねる従来の手法とは異なり、非一貫性のある画像対を研究するためのコンテンツ認識フレームワークを導入する。
  論文  参考訳（メタデータ） (2020-02-25T18:24:51Z)

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。