論文の概要: Metric Learning based Interactive Modulation for Real-World
Super-Resolution
- arxiv url: http://arxiv.org/abs/2205.05065v1
- Date: Tue, 10 May 2022 17:46:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-14 10:12:24.384006
- Title: Metric Learning based Interactive Modulation for Real-World
Super-Resolution
- Title(参考訳): 実世界の超解像のためのメトリック学習に基づく対話型変調
- Authors: Chong Mou, Yanze Wu, Xintao Wang, Chao Dong, Jian Zhang, Ying Shan
- Abstract要約: 実世界超解法(MM-RealSR)のためのメトリック学習に基づく対話型変調を提案する。
具体的には,現実シナリオにおける劣化レベルを推定するための教師なし劣化推定手法を提案する。
提案したMM-RealSRは実世界の超解像における優れた変調と復元性能を実現する。
- 参考スコア(独自算出の注目度): 30.94287747415486
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Interactive image restoration aims to restore images by adjusting several
controlling coefficients, which determine the restoration strength. Existing
methods are restricted in learning the controllable functions under the
supervision of known degradation types and levels. They usually suffer from a
severe performance drop when the real degradation is different from their
assumptions. Such a limitation is due to the complexity of real-world
degradations, which can not provide explicit supervision to the interactive
modulation during training. However, how to realize the interactive modulation
in real-world super-resolution has not yet been studied. In this work, we
present a Metric Learning based Interactive Modulation for Real-World
Super-Resolution (MM-RealSR). Specifically, we propose an unsupervised
degradation estimation strategy to estimate the degradation level in real-world
scenarios. Instead of using known degradation levels as explicit supervision to
the interactive mechanism, we propose a metric learning strategy to map the
unquantifiable degradation levels in real-world scenarios to a metric space,
which is trained in an unsupervised manner. Moreover, we introduce an anchor
point strategy in the metric learning process to normalize the distribution of
metric space. Extensive experiments demonstrate that the proposed MM-RealSR
achieves excellent modulation and restoration performance in real-world
super-resolution. Codes are available at
https://github.com/TencentARC/ MM-RealSR.
- Abstract(参考訳): インタラクティブ画像復元は,復元強度を決定する複数の制御係数を調整して画像復元を目標とする。
既存の方法は、既知の劣化タイプやレベルを監督した制御可能な関数の学習に制限される。
彼らは通常、実際の劣化が仮定と異なる場合、深刻なパフォーマンス低下に苦しむ。
このような制限は、実世界の劣化の複雑さのためであり、トレーニング中の対話的変調を明示的に監視することはできない。
しかし、現実の超解像におけるインタラクティブな変調を実現する方法はまだ研究されていない。
本稿では,MM-RealSR(Metric Learning based Interactive Modulation for Real-World Super-Resolution)を提案する。
具体的には,現実シナリオにおける劣化レベルを推定するための教師なし劣化推定手法を提案する。
対話型メカニズムの明示的な監督として既知の劣化レベルを使用する代わりに、実世界のシナリオにおける不定量的な劣化レベルを、教師なしの方法で訓練された計量空間にマッピングする計量学習戦略を提案する。
さらに,計量空間の分布を正規化するために,計量学習プロセスにおいてアンカーポイント戦略を導入する。
MM-RealSRは実世界の超解像において優れた変調と復元性能が得られることを示した。
コードはhttps://github.com/TencentARC/ MM-RealSRで公開されている。
関連論文リスト
- Imitating, Fast and Slow: Robust learning from demonstrations via
decision-time planning [96.72185761508668]
テストタイムでの計画(IMPLANT)は、模倣学習のための新しいメタアルゴリズムである。
IMPLANTは,標準制御環境において,ベンチマーク模倣学習手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-04-07T17:16:52Z) - ReIL: A Framework for Reinforced Intervention-based Imitation Learning [3.0846824529023387]
Reinforced Intervention-based Learning (ReIL) は、一般的な介入に基づく学習アルゴリズムとマルチタスク模倣学習モデルからなるフレームワークである。
実世界の移動ロボットナビゲーションの課題による実験結果から、ReILは性能の劣化に悩まされることなく、緩やかな監督補正から素早く学習できることが示唆された。
論文 参考訳(メタデータ) (2022-03-29T09:30:26Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳(メタデータ) (2021-12-12T06:11:16Z) - Exploiting Robust Unsupervised Video Person Re-identification [15.378033331385312]
本稿では,パートモデルと教師なし学習を融合した汎用的なスキームを提案する。
グローバル・アウェア・モジュールは、ローカルレベルの機能の欠点を克服するために提案されている。
PRID2011, iLIDS-VID, DukeMTMC-VideoReID の3つのベンチマークで総合的な実験を行った。
論文 参考訳(メタデータ) (2021-11-09T14:29:30Z) - Toward Real-world Image Super-resolution via Hardware-based Adaptive
Degradation Models [3.9037347042028254]
ほとんどの単一画像超解像法は、合成低分解能(LR)と高分解能(HR)画像対上で開発されている。
ハードウェアの知識を取り入れた未知の劣化過程をシミュレートする新しい教師付き手法を提案する。
実世界のデータセットを用いた実験により,我々の劣化モデルが所定の劣化操作よりも精度良くLR画像を推定できることが確認された。
論文 参考訳(メタデータ) (2021-10-20T19:53:48Z) - Unsupervised Motion Representation Learning with Capsule Autoencoders [54.81628825371412]
Motion Capsule Autoencoder (MCAE) は、2レベル階層のモーションをモデル化する。
MCAEは、新しいTrajectory20モーションデータセットと、様々な現実世界の骨格に基づく人間のアクションデータセットで評価されている。
論文 参考訳(メタデータ) (2021-10-01T16:52:03Z) - 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) - Retrieval and Localization with Observation Constraints [12.010135672015704]
RLOCSと呼ばれる視覚的再局在化手法を提案する。
画像検索、意味整合性、幾何学的検証を組み合わせて正確な推定を行う。
本手法は, ローカライゼーションベンチマークにおいて多くの性能向上を実現している。
論文 参考訳(メタデータ) (2021-08-19T06:14:33Z) - Unsupervised Degradation Representation Learning for Blind
Super-Resolution [27.788488575616032]
CNNベースのスーパーリゾリューション(SR)手法は、実際の劣化が仮定と異なる場合に深刻なパフォーマンス低下を被る。
明示的な劣化推定を伴わない盲点SRのための教師なし劣化表現学習手法を提案する。
我々のネットワークは、ブラインドSRタスクの最先端性能を達成する。
論文 参考訳(メタデータ) (2021-04-01T11:57:42Z) - Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。
これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
論文 参考訳(メタデータ) (2021-03-01T22:55:48Z) - 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)
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。