論文の概要: Image Reconstruction of Multi Branch Feature Multiplexing Fusion Network
with Mixed Multi-layer Attention
- arxiv url: http://arxiv.org/abs/2205.13738v1
- Date: Fri, 27 May 2022 03:07:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-31 06:44:33.322550
- Title: Image Reconstruction of Multi Branch Feature Multiplexing Fusion Network
with Mixed Multi-layer Attention
- Title（参考訳）: 混合多層注意を伴う多重分岐型多重融合ネットワークの画像再構成
- Authors: Yuxi Cai, Huicheng Lai
- Abstract要約: 画像超解像再構成は畳み込みニューラルネットワークの強力な非線形表現能力によって従来の手法よりも優れた結果が得られる。
既存のアルゴリズムには、段階的特徴量の利用不足、ネットワーク性能向上のための初期段階的特徴量融合の重要性の無視、再建過程における高周波情報への注意の欠如など、いくつかの問題もある。
いくつかのベンチマークセットで多数の実験を行い、他の高度な再構成アルゴリズムと比較して、アルゴリズムは高い競争力のある客観的指標を生成し、より詳細なテクスチャ情報を復元することを示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Image super-resolution reconstruction achieves better results than
traditional methods with the help of the powerful nonlinear representation
ability of convolution neural network. However, some existing algorithms also
have some problems, such as insufficient utilization of phased features,
ignoring the importance of early phased feature fusion to improve network
performance, and the inability of the network to pay more attention to
high-frequency information in the reconstruction process. To solve these
problems, we propose a multi-branch feature multiplexing fusion network with
mixed multi-layer attention (MBMFN), which realizes the multiple utilization of
features and the multistage fusion of different levels of features. To further
improve the networks performance, we propose a lightweight enhanced residual
channel attention (LERCA), which can not only effectively avoid the loss of
channel information but also make the network pay more attention to the key
channel information and benefit from it. Finally, the attention mechanism is
introduced into the reconstruction process to strengthen the restoration of
edge texture and other details. A large number of experiments on several
benchmark sets show that, compared with other advanced reconstruction
algorithms, our algorithm produces highly competitive objective indicators and
restores more image detail texture information.
- Abstract（参考訳）: 画像超解像再構成は畳み込みニューラルネットワークの強力な非線形表現能力によって従来の手法よりも優れた結果が得られる。
しかし、既存のアルゴリズムには、段階的特徴の活用不足、ネットワーク性能向上のための初期段階的特徴融合の重要性の無視、再構成過程における高周波情報に注意を払うネットワークの欠如など、いくつかの問題もある。
そこで本研究では,多層多層注意(mbmfn)を混合したマルチブランチ特徴多重融合ネットワークを提案し,特徴の多層化と異なる特徴量の多段融合を実現する。
ネットワークの性能をさらに向上させるため,チャネル情報の損失を効果的に回避するだけでなく,鍵チャネル情報に注意を払い,そのメリットを享受できる,軽量で拡張された残留チャネルアテンション(lerca)を提案する。
最後に、エッジテクスチャやその他の詳細の復元を強化するために、再構築プロセスに注意機構を導入する。
いくつかのベンチマークセットで多くの実験が行われ、他の高度な再構成アルゴリズムと比較すると、アルゴリズムは高い競合性を持つ客観的指標を生成し、より詳細なテクスチャ情報を復元する。
関連論文リスト
- WTDUN: Wavelet Tree-Structured Sampling and Deep Unfolding Network for Image Compressed Sensing [51.94493817128006]
マルチスケールウェーブレットサブバンド上で直接動作するWTDUNという新しいウェーブレットドメインの深層展開フレームワークを提案する。
本手法は,ウェーブレット係数の固有間隔とマルチスケール構造を利用して,木構造によるサンプリングと再構成を実現する。
論文 参考訳（メタデータ） (2024-11-25T12:31:03Z) - CoCoNet: Coupled Contrastive Learning Network with Multi-level Feature
Ensemble for Multi-modality Image Fusion [72.8898811120795]
我々は、赤外線と可視画像の融合を実現するために、CoCoNetと呼ばれるコントラスト学習ネットワークを提案する。
本手法は,主観的評価と客観的評価の両面において,最先端(SOTA)性能を実現する。
論文 参考訳（メタデータ） (2022-11-20T12:02:07Z) - RDRN: Recursively Defined Residual Network for Image Super-Resolution [58.64907136562178]
深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像において顕著な性能を得た。
本稿では,注目ブロックを効率的に活用する新しいネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-11-17T11:06:29Z) - Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。
我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
論文 参考訳（メタデータ） (2022-04-19T17:59:45Z) - Deep Networks for Image and Video Super-Resolution [30.75380029218373]
単一画像超解像(SISR)は、MDCB(Mixed-Dense connection block)と呼ばれる効率的な畳み込みユニットを用いて構築される。
ネットワークの2つのバージョンをトレーニングし、異なる損失構成を用いて相補的な画像品質を向上させる。
ネットワークは複数のフレームから情報を集約し,時間的整合性を維持するために学習する。
論文 参考訳（メタデータ） (2022-01-28T09:15:21Z) - Lightweight Image Super-Resolution with Multi-scale Feature Interaction
Network [15.846394239848959]
軽量マルチスケール機能インタラクションネットワーク(MSFIN)を提案する。
軽量SISRでは、MSFINは受容野を拡張し、低解像度の観測画像の情報的特徴を適切に活用する。
提案したMSFINは,より軽量なモデルで最先端技術に匹敵する性能を達成できる。
論文 参考訳（メタデータ） (2021-03-24T07:25:21Z) - Image deblurring based on lightweight multi-information fusion network [6.848061582669787]
画像デブロアリングのための軽量多情報融合ネットワーク(LMFN)を提案する。
符号化段階では、画像特徴は、マルチスケール情報抽出および融合のための様々な小規模空間に還元される。
その後、デコード段階で蒸留ネットワークが使用され、ネットワークは残留学習から最も利益を得ます。
私たちのネットワークは、少ないパラメータで最新の画像破壊結果を達成し、モデルの複雑さで既存の方法を上回ることができます。
論文 参考訳（メタデータ） (2021-01-14T00:37:37Z) - Hierarchical Residual Attention Network for Single Image
Super-Resolution [2.0571256241341924]
本稿では,残差特徴と注意集約の効率的な手法に基づく新しい軽量超解像モデルを提案する。
提案アーキテクチャは,比較的少ない計算量とメモリフットプリントを維持しながら,いくつかのデータセットにおける最先端性能を上回る。
論文 参考訳（メタデータ） (2020-12-08T17:24:28Z) - Image super-resolution reconstruction based on attention mechanism and
feature fusion [3.42658286826597]
注意機構とマルチスケール特徴融合に基づくネットワーク構造を提案する。
実験により,提案手法は,他の代表的超解像再構成アルゴリズムよりも優れた性能が得られることが示された。
論文 参考訳（メタデータ） (2020-04-08T11:20:10Z) - Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。
ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。
提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
論文 参考訳（メタデータ） (2020-03-15T11:04:30Z) - ADRN: Attention-based Deep Residual Network for Hyperspectral Image
Denoising [52.01041506447195]
ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。
実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2020-03-04T08:36:27Z)
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。