論文の概要: Real-World Light Field Image Super-Resolution via Degradation Modulation

• arxiv url: http://arxiv.org/abs/2206.06214v2
• Date: Thu, 30 Nov 2023 15:28:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-01 23:32:59.570437
• Title: Real-World Light Field Image Super-Resolution via Degradation Modulation
• Title（参考訳）: 劣化変調による実世界光電界画像の超解像
• Authors: Yingqian Wang, Zhengyu Liang, Longguang Wang, Jungang Yang, Wei An, Yulan Guo
• Abstract要約: 本稿では,実世界のLF画像 SR の簡易かつ効果的な手法を提案する。 実際のLF画像の劣化過程を定式化するために,実用的なLF劣化モデルを開発した。 畳み込みニューラルネットワークは、SRプロセスの前に分解を組み込むように設計されている。
• 参考スコア（独自算出の注目度）: 59.68036846233918
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent years have witnessed the great advances of deep neural networks (DNNs) in light field (LF) image super-resolution (SR). However, existing DNN-based LF image SR methods are developed on a single fixed degradation (e.g., bicubic downsampling), and thus cannot be applied to super-resolve real LF images with diverse degradation. In this paper, we propose a simple yet effective method for real-world LF image SR. In our method, a practical LF degradation model is developed to formulate the degradation process of real LF images. Then, a convolutional neural network is designed to incorporate the degradation prior into the SR process. By training on LF images using our formulated degradation, our network can learn to modulate different degradation while incorporating both spatial and angular information in LF images. Extensive experiments on both synthetically degraded and real-world LF images demonstrate the effectiveness of our method. Compared with existing state-of-the-art single and LF image SR methods, our method achieves superior SR performance under a wide range of degradation, and generalizes better to real LF images. Codes and models are available at https://yingqianwang.github.io/LF-DMnet/.
• Abstract（参考訳）: 近年、光電場(LF)画像超解像(SR)におけるディープニューラルネットワーク(DNN)の大きな進歩を目撃している。 しかし、既存のDNNベースのLF画像SR法は、単一の固定劣化(例えば、バイコビックダウンサンプリング)に基づいて開発されており、様々な劣化を伴う実際のLF画像に対して適用できない。 本稿では,実世界のLF画像SRの簡易かつ効果的な手法を提案する。 本研究では,実際のLF画像の劣化過程を定式化するために,実用的なLF劣化モデルを開発した。 次に、畳み込みニューラルネットワークは、srプロセスに先行する劣化を組み込むように設計される。 定式化分解を用いたLF画像のトレーニングにより,空間情報と角情報の両方をLF画像に組み込んで,異なる劣化を変調することができる。 合成劣化画像と実世界のlf画像の両方について広範な実験を行った結果,本手法の有効性が示された。 既存の最先端のシングルおよびlf画像sr法と比較して,本手法は幅広い劣化下で優れたsr性能を実現し,実画像への一般化を図っている。 コードとモデルはhttps://yingqianwang.github.io/lf-dmnet/で入手できる。

関連論文リスト

• Incorporating Degradation Estimation in Light Field Spatial Super-Resolution [54.603510192725786]
  本稿では,多種多様な劣化型を扱うために,明示的な劣化推定を組み込んだ効果的なブラインド光場SR法LF-DESTを提案する。 ベンチマークデータセットに対する広範な実験を行い、光場SRにおける様々な劣化シナリオにおいてLF-DESTが優れた性能を発揮することを示した。
  論文  参考訳（メタデータ） (2024-05-11T13:14:43Z)
• LFSRDiff: Light Field Image Super-Resolution via Diffusion Models [18.20217829625834]
  光電場(LF)画像超解像(SR)は、固有の不適切な性質のため難しい問題である。 主流のLF画像SR法は、一般的に決定論的アプローチを採用し、ピクセル単位の損失関数によって制御される1つの出力しか生成しない。 本稿では,最初の拡散型LF画像SRモデルであるLPSRDiffを紹介する。
  論文  参考訳（メタデータ） (2023-11-27T07:31:12Z)
• Enhancing Low-light Light Field Images with A Deep Compensation Unfolding Network [52.77569396659629]
  本稿では,低光環境下で撮像した光場(LF)画像の復元に,DCUNet(Deep compensation network openfolding)を提案する。 このフレームワークは、中間拡張結果を使用して照明マップを推定し、展開プロセスで新しい拡張結果を生成する。 本稿では,LF画像の特徴を適切に活用するために,擬似明示的特徴相互作用モジュールを提案する。
  論文  参考訳（メタデータ） (2023-08-10T07:53:06Z)
• Light Field Image Super-Resolution with Transformers [11.104338786168324]
  CNNに基づく手法は、LF画像SRにおいて顕著な性能を達成した。 LF画像SRのための簡易だが効果的なトランスフォーマー方式を提案する。 本手法は,モデルサイズが小さく,計算コストが低く,優れたSR性能を実現する。
  論文  参考訳（メタデータ） (2021-08-17T12:58:11Z)
• 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)
• Deep Selective Combinatorial Embedding and Consistency Regularization for Light Field Super-resolution [93.95828097088608]
  ハンドヘルドデバイスが取得した光フィールド(LF)画像は通常、空間分解能の低下に悩まされる。 LF画像の高次元特性と複雑な幾何学構造は、従来の単一像SRよりも問題をより困難にしている。 本稿では,LFサブアパーチャ画像間のコヒーレンスを探索するための,新しい学習ベースLF空間SRフレームワークを提案する。 合成および実世界のLFデータセットに対する実験結果は、最先端手法に対する我々のアプローチの顕著な利点を示している。
  論文  参考訳（メタデータ） (2020-09-26T08:34:37Z)
• Light Field Image Super-Resolution Using Deformable Convolution [46.03974092854241]
  LF画像SRの差分問題に対処する変形可能な畳み込みネットワーク(LF-DFnet)を提案する。 我々のLF-DFnetは、より忠実な詳細で高解像度の画像を生成し、最先端の復元精度を実現する。
  論文  参考訳（メタデータ） (2020-07-07T15:07:33Z)
• Light Field Spatial Super-resolution via Deep Combinatorial Geometry Embedding and Structural Consistency Regularization [99.96632216070718]
  ハンドヘルドデバイスが取得した光フィールド(LF)画像は通常、空間分解能の低下に悩まされる。 LF画像の高次元空間特性と複雑な幾何学構造は、従来の単一像SRよりも問題をより困難にしている。 本稿では,LF画像の各ビューを個別に超解答する新しい学習ベースLFフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-05T14:39:57Z)

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。