論文の概要: Hierarchical Similarity Learning for Aliasing Suppression Image
Super-Resolution
- arxiv url: http://arxiv.org/abs/2206.03361v1
- Date: Tue, 7 Jun 2022 14:55:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-08 16:05:52.967556
- Title: Hierarchical Similarity Learning for Aliasing Suppression Image
Super-Resolution
- Title(参考訳): 超解像抑圧画像の階層的類似性学習
- Authors: Yuqing Liu, Qi Jia, Jian Zhang, Xin Fan, Shanshe Wang, Siwei Ma and
Wen Gao
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 64.15915577164894
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As a highly ill-posed issue, single image super-resolution (SISR) has been
widely investigated in recent years. The main task of SISR is to recover the
information loss caused by the degradation procedure. According to the Nyquist
sampling theory, the degradation leads to aliasing effect and makes it hard to
restore the correct textures from low-resolution (LR) images. In practice,
there are correlations and self-similarities among the adjacent patches in the
natural images. This paper considers the self-similarity and proposes a
hierarchical image super-resolution network (HSRNet) to suppress the influence
of aliasing. We consider the SISR issue in the optimization perspective, and
propose an iterative solution pattern based on the half-quadratic splitting
(HQS) method. To explore the texture with local image prior, we design a
hierarchical exploration block (HEB) and progressive increase the receptive
field. Furthermore, multi-level spatial attention (MSA) is devised to obtain
the relations of adjacent feature and enhance the high-frequency information,
which acts as a crucial role for visual experience. Experimental result shows
HSRNet achieves better quantitative and visual performance than other works,
and remits the aliasing more effectively.
- Abstract(参考訳): 非常に不適切な問題として、近年では単一画像超解像(SISR)が広く研究されている。
SISRの主な課題は、分解処理による情報損失を回復することである。
ナイキストサンプリング理論によれば、劣化はエイリアス効果をもたらし、低解像度(LR)画像から正しいテクスチャを復元することが困難になる。
実際、自然画像に隣接するパッチ間には相関関係と自己相似性がある。
本稿では,自己相似性を考慮し,エイリアスの影響を抑制する階層画像超解像ネットワーク(HSRNet)を提案する。
最適化の観点からSISR問題を考察し、半四分法分割法(HQS)に基づく反復解パターンを提案する。
局所画像を用いてテクスチャを探索するため,階層探索ブロック (HEB) を設計し, 受容場を漸進的に増加させる。
さらに,マルチレベル空間アテンション(MSA)を考案し,隣接する特徴の関係を把握し,視覚体験において重要な役割を担う高周波情報を強化する。
実験の結果,HSRNetは他の作品よりも定量的,視覚的パフォーマンスが向上し,エイリアスをより効果的に再現できることがわかった。
関連論文リスト
- Bridging Component Learning with Degradation Modelling for Blind Image
Super-Resolution [69.11604249813304]
視覚障害者のためのコンポーネント分解・協調最適化ネットワーク(CDCN)を提案する。
CDCNは入力LR画像を特徴空間の構造と詳細成分に分解する。
本稿では,HR画像の細部と構造復元過程を協調的に監督する,劣化駆動型学習戦略を提案する。
論文 参考訳(メタデータ) (2022-12-03T14:53:56Z) - Semantic Encoder Guided Generative Adversarial Face Ultra-Resolution
Network [15.102899995465041]
本稿では,セマンティックガイド付き生成逆顔超解像ネットワーク(SEGA-FURN)を提案する。
提案するネットワークは, 組込みセマンティクスを捕捉し, 対数学習を誘導する新しいセマンティクスエンコーダと, Residual in Internal Block (RIDB) という階層型アーキテクチャを用いた新しいジェネレータから構成される。
大規模顔データを用いた実験により,提案手法は優れた超解像結果が得られ,定性比較と定量的比較の両面で他の最先端手法よりも優れることが示された。
論文 参考訳(メタデータ) (2022-11-18T23:16:57Z) - Blind Super-Resolution for Remote Sensing Images via Conditional
Stochastic Normalizing Flows [14.882417028542855]
本稿では、上記の問題に対処するために、正規化フロー(BlindSRSNF)に基づく新しいブラインドSRフレームワークを提案する。
BlindSRSNFは、低解像度(LR)画像が与えられた高解像度画像空間上の条件確率分布を、確率の変動境界を明示的に最適化することによって学習する。
提案アルゴリズムは,シミュレーションLRと実世界RSIの両方において,視覚的品質の優れたSR結果が得られることを示す。
論文 参考訳(メタデータ) (2022-10-14T12:37:32Z) - Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image
Denoising [50.039949798156826]
本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。
ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。
次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
論文 参考訳(メタデータ) (2022-07-09T13:35:12Z) - Dual Perceptual Loss for Single Image Super-Resolution Using ESRGAN [13.335546116599494]
本稿では,従来の知覚損失を置き換えるためにDP損失(Dual Perceptual Loss)と呼ばれる手法を提案する。
VGG特徴とResNet特徴の相補的な性質のため、提案されたDPロスは2つの特徴を同時に学習する利点を考察する。
ベンチマークデータセットの定性的および定量的解析により,提案手法が最先端の超解像法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-01-17T12:42:56Z) - A-ESRGAN: Training Real-World Blind Super-Resolution with Attention
U-Net Discriminators [0.0]
ブラインド画像超解像(SR)は、未知の複雑な歪みに苦しむ低解像度画像の復元を目的とした、CVにおける長年の課題である。
本稿では,A-ESRGANについて述べる。A-ESRGAN,A-ESRGAN,A-ESRGAN,A-ESRGAN,A-ESRGAN,A-ESRGAN,A-ESRGAN。
論文 参考訳(メタデータ) (2021-12-19T02:50:23Z) - Hierarchical Conditional Flow: A Unified Framework for Image
Super-Resolution and Image Rescaling [139.25215100378284]
画像SRと画像再スケーリングのための統合フレームワークとして階層的条件フロー(HCFlow)を提案する。
HCFlowは、LR画像と残りの高周波成分の分布を同時にモデル化することにより、HRとLR画像ペア間のマッピングを学習する。
さらに性能を高めるために、知覚的損失やGAN損失などの他の損失と、トレーニングで一般的に使用される負の対数類似損失とを組み合わせる。
論文 参考訳(メタデータ) (2021-08-11T16:11:01Z) - The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。
次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。
そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-05-16T08:17:44Z) - Deep Generative Adversarial Residual Convolutional Networks for
Real-World Super-Resolution [31.934084942626257]
我々は,超解像残差畳み込み生成共役ネットワーク(SRResCGAN)を提案する。
これは、生成したLRドメインからHRドメインの画素単位の監督でモデルを逆トレーニングすることで、現実世界の劣化設定に従う。
提案するネットワークは,画像の高精細化と凸最適化によるエネルギーベース目的関数の最小化により,残差学習を利用する。
論文 参考訳(メタデータ) (2020-05-03T00:12:38Z) - Structure-Preserving Super Resolution with Gradient Guidance [87.79271975960764]
単一画像超解像(SISR)の構造
最近のGAN(Generative Adversarial Network)による研究は、SISRの開発を促進している。
しかし、復元された画像には常に望ましくない構造歪みがある。
論文 参考訳(メタデータ) (2020-03-29T17:26:58Z)
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。