論文の概要: A GPU-Accelerated Light-field Super-resolution Framework Based on Mixed
Noise Model and Weighted Regularization
- arxiv url: http://arxiv.org/abs/2206.05047v1
- Date: Thu, 9 Jun 2022 05:23:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-13 16:05:41.835813
- Title: A GPU-Accelerated Light-field Super-resolution Framework Based on Mixed
Noise Model and Weighted Regularization
- Title（参考訳）: 混合雑音モデルと重み付き正規化に基づくGPU加速光場超解像フレームワーク
- Authors: Trung-Hieu Tran, Kaicong Sun, Sven Simon
- Abstract要約: 本稿では,高分解能LF像を混合ガウス・イムパルス雑音下で再構成するためのGPU加速計算フレームワークを提案する。
混在騒音を考慮したHR再構成誤差をペナルティ化するためのデータフィデリティ項としてell1$-ell2$のジョイントを導出する。
本稿では,乗算器アルゴリズム (ADMM) の交互方向法を用いて計算を簡略化できることを示す。
- 参考スコア（独自算出の注目度）: 4.898659895355356
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper presents a GPU-accelerated computational framework for
reconstructing high resolution (HR) LF images under a mixed Gaussian-Impulse
noise condition. The main focus is on developing a high-performance approach
considering processing speed and reconstruction quality. From a statistical
perspective, we derive a joint $\ell^1$-$\ell^2$ data fidelity term for
penalizing the HR reconstruction error taking into account the mixed noise
situation. For regularization, we employ the weighted non-local total variation
approach, which allows us to effectively realize LF image prior through a
proper weighting scheme. We show that the alternating direction method of
multipliers algorithm (ADMM) can be used to simplify the computation complexity
and results in a high-performance parallel computation on the GPU Platform. An
extensive experiment is conducted on both synthetic 4D LF dataset and natural
image dataset to validate the proposed SR model's robustness and evaluate the
accelerated optimizer's performance. The experimental results show that our
approach achieves better reconstruction quality under severe mixed-noise
conditions as compared to the state-of-the-art approaches. In addition, the
proposed approach overcomes the limitation of the previous work in handling
large-scale SR tasks. While fitting within a single off-the-shelf GPU, the
proposed accelerator provides an average speedup of 2.46$\times$ and
1.57$\times$ for $\times 2$ and $\times 3$ SR tasks, respectively. In addition,
a speedup of $77\times$ is achieved as compared to CPU execution.
- Abstract（参考訳）: 本稿では,gaussian-impulse混合ノイズ条件下で高分解能(hr)lf画像を再構成するためのgpu高速化計算フレームワークを提案する。
主な焦点は、処理速度と再構築品質を考慮した高性能なアプローチの開発である。
統計的観点から,混合雑音を考慮したhr再構成誤差をペナルティ化するための合同$\ell^1$-$\ell^2$データ忠実性項を導出する。
正規化のために、重み付き非局所的全変動アプローチを採用し、適切な重み付けスキームを通じてlf像を効果的に実現する。
本稿では,乗算器アルゴリズム (ADMM) の交互方向法を用いて計算複雑性を単純化し,GPUプラットフォーム上での並列計算を高速化することを示す。
提案するsrモデルのロバスト性を検証するために合成4次元lfデータセットと自然画像データセットの両方について広範な実験を行い,高速化オプティマイザの性能評価を行った。
実験結果から, 本手法は, 高度混合雑音条件下での再現性を向上させることが示唆された。
さらに,提案手法は,大規模SRタスクの処理における従来の作業の制限を克服する。
1つのオフ・ザ・シェルフGPU内に収まる一方で、提案されたアクセラレーターは平均スピードアップを2.46$\times$と1.57$\times$でそれぞれ$\times 2$と$\times 3$ SRタスクで提供する。
さらに、CPU実行と比較して77\times$のスピードアップが達成されている。
関連論文リスト
- Transforming Image Super-Resolution: A ConvFormer-based Efficient
Approach [63.98380888730723]
本稿では, Convolutional Transformer Layer (ConvFormer) と ConvFormer-based Super-Resolution Network (CFSR) を紹介する。
CFSRは、計算コストの少ない長距離依存と広範囲の受容場を効率的にモデル化する。
これは、x2 SRタスクのUrban100データセットで0.39dB、パラメータが26%、FLOPが31%減少している。
論文 参考訳（メタデータ） (2024-01-11T03:08:00Z) - vSHARP: variable Splitting Half-quadratic ADMM algorithm for
Reconstruction of inverse-Problems [7.694990352622926]
MRI再建では、不十分な逆問題が発生し、十分なクローズドフォーム解析解が得られない。
逆問題再構成のための教師付き分割半四分法ADMMアルゴリズム(vSHARP)を提案する。
本稿では,vSHARPの優れた性能に着目し,最先端手法による実験結果の比較分析を行った。
論文 参考訳（メタデータ） (2023-09-18T17:26:22Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳（メタデータ） (2023-06-10T08:25:16Z) - Curvature regularization for Non-line-of-sight Imaging from
Under-sampled Data [5.591221518341613]
非視線イメージング(NLOS)は、視線で測定されたデータから3次元の隠れたシーンを再構築することを目的としている。
曲率正規化に基づく新しいNLOS再構成モデルを提案する。
提案したアルゴリズムを,合成データセットと実データセットの両方で評価する。
論文 参考訳（メタデータ） (2023-01-01T14:10:43Z) - Fast Noise Removal in Hyperspectral Images via Representative
Coefficient Total Variation [38.23169948685068]
データの構造的先行をマイニングすることは、ハイパースペクトル画像(HSI)のタスクを認知する技術として広く認知されている。
モデルベースのメソッドは優れた一般化能力を持ち、ランタイムは高速な処理要求を満たすことができない。
低位と局所的な滑らかな特性を同時に特徴付けるために,代表係数トータル変分 (RCTV) という新しい正規化器を提案する。
論文 参考訳（メタデータ） (2022-11-03T14:06:37Z) - Loop Unrolled Shallow Equilibrium Regularizer (LUSER) -- A
Memory-Efficient Inverse Problem Solver [26.87738024952936]
逆問題では、潜在的に破損し、しばしば不適切な測定結果から、いくつかの基本的な関心のシグナルを再構築することを目的としている。
浅い平衡正規化器(L)を用いたLUアルゴリズムを提案する。
これらの暗黙のモデルは、より深い畳み込みネットワークと同じくらい表現力があるが、トレーニング中にはるかにメモリ効率が良い。
論文 参考訳（メタデータ） (2022-10-10T19:50:37Z) - Matching Pursuit Based Scheduling for Over-the-Air Federated Learning [67.59503935237676]
本稿では,フェデレートラーニング手法を用いて,オーバー・ザ・エアラーニングのための低複雑さデバイススケジューリングアルゴリズムのクラスを開発する。
最先端の提案方式と比較すると,提案方式は極めて低効率なシステムである。
提案手法の有効性は,CIFARデータセットを用いた実験により確認した。
論文 参考訳（メタデータ） (2022-06-14T08:14:14Z) - UHD Image Deblurring via Multi-scale Cubic-Mixer [12.402054374952485]
トランスフォーマーベースのアルゴリズムは、画像劣化の領域に飛び散っている。
これらのアルゴリズムはトークン間の長距離依存関係をモデル化するためにCNNステムによる自己保持機構に依存する。
論文 参考訳（メタデータ） (2022-06-08T05:04:43Z) - Unsupervised Single Image Super-resolution Under Complex Noise [60.566471567837574]
本稿では,一般のSISRタスクを未知の劣化で扱うためのモデルベースunsupervised SISR法を提案する。
提案手法は, より小さなモデル (0.34M vs. 2.40M) だけでなく, より高速な技術 (SotA) 法 (約1dB PSNR) の現況を明らかに超えることができる。
論文 参考訳（メタデータ） (2021-07-02T11:55:40Z) - Deep Variational Network Toward Blind Image Restoration [55.33102369856991]
ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。
両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。
画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
論文 参考訳（メタデータ） (2020-08-25T03:30:53Z) - 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)
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。