論文の概要: A Closer Look at Blind Super-Resolution: Degradation Models, Baselines, and Performance Upper Bounds

• arxiv url: http://arxiv.org/abs/2205.04910v1
• Date: Tue, 10 May 2022 14:02:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-14 14:06:44.028588
• Title: A Closer Look at Blind Super-Resolution: Degradation Models, Baselines, and Performance Upper Bounds
• Title（参考訳）: Blind Super-Resolution:分解モデル,ベースライン,パフォーマンス上の境界
• Authors: Wenlong Zhang, Guangyuan Shi, Yihao Liu, Chao Dong, Xiao-Ming Wu
• Abstract要約: ランダムゲート制御器を用いて広義の劣化事例を生成するための統一ゲート劣化モデルを提案する。 劣化モデルに基づいて,非盲点,古典的,実践的な劣化事例を効果的に処理できる単純なベースラインネットワークを提案する。 実験により, 統一ゲート劣化モデルにより, 提案したベースラインは既存手法よりもはるかに優れた性能が得られることを示した。
• 参考スコア（独自算出の注目度）: 27.945034226654656
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Degradation models play an important role in Blind super-resolution (SR). The classical degradation model, which mainly involves blur degradation, is too simple to simulate real-world scenarios. The recently proposed practical degradation model includes a full spectrum of degradation types, but only considers complex cases that use all degradation types in the degradation process, while ignoring many important corner cases that are common in the real world. To address this problem, we propose a unified gated degradation model to generate a broad set of degradation cases using a random gate controller. Based on the gated degradation model, we propose simple baseline networks that can effectively handle non-blind, classical, practical degradation cases as well as many other corner cases. To fairly evaluate the performance of our baseline networks against state-of-the-art methods and understand their limits, we introduce the performance upper bound of an SR network for every degradation type. Our empirical analysis shows that with the unified gated degradation model, the proposed baselines can achieve much better performance than existing methods in quantitative and qualitative results, which are close to the performance upper bounds.
• Abstract（参考訳）: 分解モデルはブラインド超解像(SR)において重要な役割を果たす。 古典的な劣化モデルは、主にぼやけた劣化を伴うが、現実のシナリオをシミュレートするには単純すぎる。 近年提案されている実用的劣化モデルは, 劣化型の全スペクトルを含むが, 劣化過程においてすべての劣化型を用いる複雑な場合のみを考慮し, 現実に共通する多くの重要なコーナーケースを無視している。 この問題に対処するために,ランダムゲートコントローラを用いて広い範囲の劣化事例を生成する統一ゲート劣化モデルを提案する。 ゲート劣化モデルに基づいて,非盲点,古典的,実践的,その他多くのコーナーケースを効果的に扱える単純なベースラインネットワークを提案する。 現状の手法に対するベースラインネットワークの性能を正確に評価し,その限界を理解するために,劣化タイプ毎にSRネットワークの性能上限を導入する。 実験により, 統一ゲート劣化モデルにより, 提案したベースラインは, 性能上界に近い, 定量的, 定性的結果の既存手法よりもはるかに優れた性能が得られることを示した。

関連論文リスト

• CausalSR: Structural Causal Model-Driven Super-Resolution with Counterfactual Inference [2.147995542780459]
  本稿では、構造因果モデルを用いて超解像を定式化し、画像劣化過程を推論する。 本稿では,意味的指導を利用して仮説的劣化シナリオを推論する新しい対実的学習戦略を提案する。 提案手法は,特に複合劣化を伴う挑戦的なシナリオにおいて,最先端手法に対する大幅な改善を実現している。
  論文  参考訳（メタデータ） (2025-01-27T08:19:17Z)
• Adaptive Blind All-in-One Image Restoration [15.726917603679716]
  ブラインドオールインワン画像復元モデルは、未知の歪みで劣化した入力から高品質な画像を復元することを目的としている。 これらのモデルでは、トレーニング段階では可能なすべての分解タイプを定義しながら、目に見えない分解に対して限定的な一般化を示す必要がある。 複数の劣化に対処し、目に見えない劣化を一般化し、少数のパラメータをトレーニングすることで、新しい劣化を効果的に組み込むことができる、単純で効果的な適応型ブラインド・イン・ワン復元モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-27T14:58:08Z)
• Mixed Degradation Image Restoration via Local Dynamic Optimization and Conditional Embedding [67.57487747508179]
  マルチインワン画像復元 (IR) は, 一つのモデルで全ての種類の劣化画像復元を処理し, 大幅な進歩を遂げている。 本稿では,単一と混合の分解で画像を効果的に復元できる新しいマルチインワンIRモデルを提案する。
  論文  参考訳（メタデータ） (2024-11-25T09:26:34Z)
• Degradation Oriented and Regularized Network for Blind Depth Super-Resolution [48.744290794713905]
  現実のシナリオでは、キャプチャーされた深度データは、センサーの制限や複雑な撮像環境のために、従来と変わらない劣化に悩まされることが多い。 本稿では,現実のシーンにおける未知の劣化に適応的に対処する新しいフレームワークであるDORNetを提案する。 提案手法は,低解像度深度データの劣化表現をモデル化した自己教師付き劣化学習戦略の開発から始まる。 効率的なRGB-D融合を容易にするために,学習した劣化先行情報に基づいて,RGBコンテンツを奥行きデータに選択的に伝播する劣化指向の特徴変換モジュールを導入する。
  論文  参考訳（メタデータ） (2024-10-15T14:53:07Z)
• Degradation-Guided One-Step Image Super-Resolution with Diffusion Priors [75.24313405671433]
  拡散に基づく画像超解像法 (SR) は、事前訓練された大規模なテキスト・画像拡散モデルを先行として活用することにより、顕著な成功を収めた。 本稿では,拡散型SR手法の効率問題に対処する新しい一段階SRモデルを提案する。 既存の微調整戦略とは異なり、SR専用の劣化誘導低ランク適応 (LoRA) モジュールを設計した。
  論文  参考訳（メタデータ） (2024-09-25T16:15:21Z)
• A Simple and Generalist Approach for Panoptic Segmentation [57.94892855772925]
  汎用的なビジョンモデルは、様々なビジョンタスクのための1つの同じアーキテクチャを目指している。 このような共有アーキテクチャは魅力的に思えるかもしれないが、ジェネラリストモデルは、その好奇心に満ちたモデルよりも優れている傾向にある。 一般モデルの望ましい性質を損なうことなく、2つの重要なコントリビューションを導入することでこの問題に対処する。
  論文  参考訳（メタデータ） (2024-08-29T13:02:12Z)
• Pairwise Distance Distillation for Unsupervised Real-World Image Super-Resolution [38.79439380482431]
  実世界の超解像(RWSR)は低分解能入力における未知の劣化に直面している。 既存の手法では、学習インプットの複雑な合成拡張を通じて視覚一般モデルを学習することでこの問題にアプローチする。 実世界の劣化に対する教師なしRWSRに対処するための,新しい相互距離蒸留フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-10T01:46:40Z)
• Incorporating Degradation Estimation in Light Field Spatial Super-Resolution [54.603510192725786]
  本稿では,多種多様な劣化型を扱うために,明示的な劣化推定を組み込んだ効果的なブラインド光場SR法LF-DESTを提案する。 ベンチマークデータセットに対する広範な実験を行い、光場SRにおける様々な劣化シナリオにおいてLF-DESTが優れた性能を発揮することを示した。
  論文  参考訳（メタデータ） (2024-05-11T13:14:43Z)
• 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)
• Fast and Robust Cascade Model for Multiple Degradation Single Image Super-Resolution [2.1574781022415364]
  SISR(Single Image Super-Resolution)は、近年注目されている低レベルのコンピュータビジョン問題の一つである。 本稿では、畳み込みニューラルネットワーク(CNN)のカスケードモデルについて、新しい定式化を提案する。 外部知識を用いて各サブモジュールの出力を制限することで,より密結合なCNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-11-16T18:59:49Z)

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。