論文の概要: Semantically Accurate Super-Resolution Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2205.08659v1
• Date: Tue, 17 May 2022 23:05:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-19 13:23:52.726157
• Title: Semantically Accurate Super-Resolution Generative Adversarial Networks
• Title（参考訳）: 逐次的高精度超解法生成逆ネットワーク
• Authors: Tristan Frizza and Donald G. Dansereau and Nagita Mehr Seresht and Michael Bewley
• Abstract要約: セマンティックセグメンテーションの性能を高めるために,新しいアーキテクチャとドメイン固有の特徴損失を提案する。 提案手法は,全ての予測クラスにおいて,知覚的画像品質と定量的セグメンテーションの精度を向上することを示す。 この研究は、画像ベースとタスク固有の損失を共同で検討することにより、両者のパフォーマンスを向上し、空中画像のセマンティック・アウェア・スーパーレゾリューションにおける最先端の進歩を実証する。
• 参考スコア（独自算出の注目度）: 2.0454959820861727
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work addresses the problems of semantic segmentation and image super-resolution by jointly considering the performance of both in training a Generative Adversarial Network (GAN). We propose a novel architecture and domain-specific feature loss, allowing super-resolution to operate as a pre-processing step to increase the performance of downstream computer vision tasks, specifically semantic segmentation. We demonstrate this approach using Nearmap's aerial imagery dataset which covers hundreds of urban areas at 5-7 cm per pixel resolution. We show the proposed approach improves perceived image quality as well as quantitative segmentation accuracy across all prediction classes, yielding an average accuracy improvement of 11.8% and 108% at 4x and 32x super-resolution, compared with state-of-the art single-network methods. This work demonstrates that jointly considering image-based and task-specific losses can improve the performance of both, and advances the state-of-the-art in semantic-aware super-resolution of aerial imagery.
• Abstract（参考訳）: 本研究は,GAN(Generative Adversarial Network)のトレーニングにおける双方のパフォーマンスを共同で検討することで,セマンティックセグメンテーションと画像超解像の問題に対処する。 スーパーレゾリューションを,下流コンピュータビジョンタスク,特にセマンティクスセグメンテーションの性能向上のための前処理ステップとして動作可能にする,新しいアーキテクチャとドメイン特有の機能損失を提案する。 このアプローチは、ピクセル解像度5～7cmの数百の都市部をカバーするnearmapの航空画像データセットを用いて実証する。 提案手法は,最先端のシングルネットワーク手法と比較して,画像品質の向上と,すべての予測クラスにおける定量的セグメンテーション精度の向上を実現し,平均精度は4倍,32倍,11.8%向上した。 本研究は,画像ベースとタスク固有の損失を共同で考慮することで,両者の性能が向上し,意味認識による空中画像の超高解像度化が進むことを実証する。

関連論文リスト

• On the Effect of Image Resolution on Semantic Segmentation [27.115235051091663]
  本研究では,高分解能セグメンテーションを直接生成できるモデルが,より複雑なシステムの性能と一致することを示す。 提案手法は,ボトムアップ情報伝搬手法を様々なスケールで活用する。 先進的なセマンティックセグメンテーションデータセットを用いて,本手法を厳格に検証した。
  論文  参考訳（メタデータ） (2024-02-08T04:21:30Z)
• Intra-Batch Supervision for Panoptic Segmentation on High-Resolution Images [4.314956204483074]
  統一パノプティカルセグメンテーション法は、いくつかのデータセットで最先端の結果を達成している。 高分解能データセット上でこれらの結果を達成するために、これらの手法は作物ベースの訓練を適用している。 作物をベースとした訓練は一般的に有利だが、有害な副作用もある。 Intra-Batch Supervision (IBS) を提案する。
  論文  参考訳（メタデータ） (2023-04-17T12:48:36Z)
• 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)
• High Quality Segmentation for Ultra High-resolution Images [72.97958314291648]
  超高分解能セグメンテーション精錬作業のための連続精細モデルを提案する。 提案手法は画像分割精細化において高速かつ効果的である。
  論文  参考訳（メタデータ） (2021-11-29T11:53:06Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• Analysis and evaluation of Deep Learning based Super-Resolution algorithms to improve performance in Low-Resolution Face Recognition [0.0]
  超解像アルゴリズムは、関係する被験者の識別特性を回復することができる。 このプロジェクトは、顔の超解像のタスクのための異なるディープニューラルネットワークアーキテクチャを評価し、適応することを目的とした。 実験により、一般的なスーパーレゾリューションアーキテクチャは、高レゾリューション顔で訓練されたディープニューラルネットワークのフェイス検証性能を向上させることが判明した。
  論文  参考訳（メタデータ） (2021-01-19T02:41:57Z)
• Semantic Layout Manipulation with High-Resolution Sparse Attention [106.59650698907953]
  本稿では,意味ラベルマップを編集して入力画像を操作するセマンティックイメージレイアウト操作の課題に対処する。 このタスクの中核的な問題は、視覚的にイメージを現実的にしながら、入力画像から新しいセマンティックレイアウトに視覚的な詳細を転送する方法です。 512×512の解像度で視覚的詳細を新しいレイアウトに効果的に転送する高分解能スパースアテンションモジュールを提案する。
  論文  参考訳（メタデータ） (2020-12-14T06:50:43Z)
• Interpretable Detail-Fidelity Attention Network for Single Image Super-Resolution [89.1947690981471]
  本研究では,スムースとディテールを段階的に分割・収束的に処理する,目的・解釈可能なディテール・ファイダリティ・アテンション・ネットワークを提案する。 特に,詳細推論において顕著な解釈可能な特徴表現のためのヘシアンフィルタを提案する。 実験により,提案手法は最先端手法よりも優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2020-09-28T08:31:23Z)
• Rethinking Data Augmentation for Image Super-resolution: A Comprehensive Analysis and a New Strategy [21.89072742618842]
  超分解能タスクに適用された既存の拡張手法を包括的に分析する。 我々は、低解像度のパッチをカットし、それに対応する高解像度の画像領域にペーストするCutBlurを提案する。 提案手法は, 様々なシナリオにおいて連続的に, 性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-04-01T13:49:38Z)
• Gated Fusion Network for Degraded Image Super Resolution [78.67168802945069]
  本稿では,基本特徴と回復特徴を別々に抽出する二分岐畳み込みニューラルネットワークを提案する。 特徴抽出ステップを2つのタスク非依存ストリームに分解することで、デュアルブランチモデルがトレーニングプロセスを容易にすることができる。
  論文  参考訳（メタデータ） (2020-03-02T13:28:32Z)

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。