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。
- 全文 参考訳へのリンク
関連論文リスト
- Improving Generalization in Federated Learning by Seeking Flat Minima [23.937135834522145]
フェデレートされた設定で訓練されたモデルは、しばしば劣化したパフォーマンスに悩まされ、一般化に失敗する。
本研究では,損失の幾何レンズとヘッセン固有スペクトルを用いて,そのような挙動を考察する。
損失面のシャープさと一般化ギャップを接続する先行研究により,サーバ側のシャープネス・アウェア・最小化 (SAM) や適応バージョン (ASAM) をローカルにトレーニングすることで,一般化を大幅に改善できることが示されている。
論文 参考訳(メタデータ) (2022-03-22T16:01:04Z) - Panini-Net: GAN Prior Based Degradation-Aware Feature Interpolation for
Face Restoration [4.244692655670362]
Panini-Netは、顔修復のための劣化認識機能ネットワークである。
抽象表現を学び、様々な劣化を区別する。
マルチ劣化顔復元と超解像のための最先端性能を実現する。
論文 参考訳(メタデータ) (2022-03-16T07:41:07Z) - Learning the Degradation Distribution for Blind Image Super-Resolution [60.39409203244474]
本稿では,確率分解モデル (PDM) を提案する。
PDMはより多様な劣化をモデル化し、試験画像の様々な劣化をよりよくカバーするHR-LRペアを生成することができる。
論文 参考訳(メタデータ) (2022-03-09T11:30:38Z) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳(メタデータ) (2021-12-05T04:36:09Z) - Sharpness-aware Quantization for Deep Neural Networks [71.74282247931554]
ネットワーク量子化は、モデルのサイズと計算コストを削減する効果的な圧縮手法である。
近年,モデルの一般化性能を向上させるため,SAM(Sharpness-Aware Minimization)が提案されている。
本稿では,シャープネス・アウェア量子化法(SAQ)を考案し,量子化モデルのトレーニングを行い,より優れた一般化性能を実現する。
論文 参考訳(メタデータ) (2021-11-24T05:16:41Z) - Generalized Real-World Super-Resolution through Adversarial Robustness [107.02188934602802]
本稿では,実世界のSRに取り組むために,敵攻撃の一般化能力を活用したロバスト超解法を提案する。
我々の新しいフレームワークは、現実世界のSR手法の開発においてパラダイムシフトをもたらす。
単一のロバストモデルを使用することで、実世界のベンチマークで最先端の特殊な手法より優れています。
論文 参考訳(メタデータ) (2021-08-25T22:43:20Z) - P-WAE: Generalized Patch-Wasserstein Autoencoder for Anomaly Screening [17.24628770042803]
Patch-wise Wasserstein AutoEncoder (P-WAE) アーキテクチャを提案する。
特に、ジグソーパズルの解法と結合したパッチワイド変分推論モデルを設計する。
MVTec ADデータセットを用いた総合的な実験は、我々のプロポの優れた性能を実証する。
論文 参考訳(メタデータ) (2021-08-09T05:31:45Z) - Kernel Agnostic Real-world Image Super-resolution [82.3963188538938]
実世界のイメージSR問題に対処するための新しいカーネル非依存SRフレームワークを紹介します。
提案手法では,劣化カーネルとノイズは明示的に指定するのではなく適応的にモデル化される。
実験は、複数の実世界のデータセットにおける提案フレームワークの有効性を検証する。
論文 参考訳(メタデータ) (2021-04-19T01:51:21Z) - Conditional Meta-Network for Blind Super-Resolution with Multiple
Degradations [23.026779510800047]
単一画像スーパーリゾリューション(SISR)メソッドは、実際のシナリオで複数のデグレード効果でパフォーマンス低下を被る。
条件付きメタネットワークフレームワーク(CMDSRと命名)を初めて提案し、SRフレームワークが入力分布の変化に適応する方法を学ぶのに役立つ。
論文 参考訳(メタデータ) (2021-04-08T17:15:25Z) - Self-Regression Learning for Blind Hyperspectral Image Fusion Without
Label [11.291055330647977]
ハイパースペクトル画像(HSI)を再構築した自己回帰学習法を提案し,観察モデルを推定する。
特に,hsiを復元するinvertible neural network (inn) と,観測モデルを推定する2つの完全連結ネットワーク (fcn) を採用している。
我々のモデルは、合成データと実世界のデータセットの両方で実験で最先端の手法を上回ることができる。
論文 参考訳(メタデータ) (2021-03-31T04:48:21Z) - Unleashing the Power of Contrastive Self-Supervised Visual Models via
Contrast-Regularized Fine-Tuning [94.35586521144117]
コントラスト学習を微調整に適用することでさらにメリットが得られるか検討する。
本研究では,コントラスト正規化調律(core-tuning)を提案する。
論文 参考訳(メタデータ) (2021-02-12T16:31:24Z)
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。