論文の概要: Multi-Modality Image Super-Resolution using Generative Adversarial
Networks
- arxiv url: http://arxiv.org/abs/2206.09193v1
- Date: Sat, 18 Jun 2022 12:19:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 15:30:23.863807
- Title: Multi-Modality Image Super-Resolution using Generative Adversarial
Networks
- Title(参考訳): 生成逆ネットワークを用いたマルチモーダル画像超解法
- Authors: Aref Abedjooy, Mehran Ebrahimi
- Abstract要約: 画像超解像と多モード画像-画像変換の連立問題に対する解法を提案する。
この問題は、他のモードで同じ画像を低解像度で観察した場合に、高解像度の画像をモダリティで復元するものとして説明できる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Over the past few years deep learning-based techniques such as Generative
Adversarial Networks (GANs) have significantly improved solutions to image
super-resolution and image-to-image translation problems. In this paper, we
propose a solution to the joint problem of image super-resolution and
multi-modality image-to-image translation. The problem can be stated as the
recovery of a high-resolution image in a modality, given a low-resolution
observation of the same image in an alternative modality. Our paper offers two
models to address this problem and will be evaluated on the recovery of
high-resolution day images given low-resolution night images of the same scene.
Promising qualitative and quantitative results will be presented for each
model.
- Abstract(参考訳): 過去数年間、GAN(Generative Adversarial Networks)のようなディープラーニングベースの技術は、画像の超解像および画像間翻訳問題に対するソリューションを著しく改善してきた。
本稿では,画像超解像と多モード画像-画像変換の連立問題に対する解法を提案する。
この問題は、別のモダリティで同じ像を低解像度で観測することを考えると、モダリティにおける高分解能像の回復と表現できる。
本稿では,この問題に対処する2つのモデルを提案し,同一シーンの低解像度夜間画像から高解像度の日像を復元する方法について検討する。
定性的かつ定量的な結果を各モデルに提示する。
関連論文リスト
- How Real is Real: Evaluating the Robustness of Real-World Super
Resolution [0.0]
超解像は、高分解能画像上で行うダウンサンプリング法に頼って、既知の低分解能画像を形成するため、よく知られた問題である。
我々は,複数の最先端超解像法を評価し,様々な種類の実像を提示する際の性能評価を行う。
我々は、ほとんどの最先端超解法モデルにおいて差し迫った一般化問題を緩和する潜在的な解決策を提示する。
論文 参考訳(メタデータ) (2022-10-22T18:53:45Z) - Learning Resolution-Adaptive Representations for Cross-Resolution Person
Re-Identification [49.57112924976762]
低解像度(LR)クエリIDイメージと高解像度(HR)ギャラリーイメージとの整合性を実現する。
実際のカメラとの違いにより、クエリ画像が分解能の低下に悩まされることがしばしばあるため、これは困難かつ実用的な問題である。
本稿では,問合せ画像の解像度に適応する動的計量を用いて,HRとLRの画像を直接比較するためのSRフリーなパラダイムについて検討する。
論文 参考訳(メタデータ) (2022-07-09T03:49:51Z) - High-Frequency aware Perceptual Image Enhancement [0.08460698440162888]
マルチスケール解析に適した新しいディープニューラルネットワークを導入し,効率的なモデルに依存しない手法を提案する。
本モデルは,デノイング,デブロアリング,単一画像超解像などのマルチスケール画像強調問題に適用できる。
論文 参考訳(メタデータ) (2021-05-25T07:33:14Z) - A Generative Model for Hallucinating Diverse Versions of Super
Resolution Images [0.3222802562733786]
我々は、生成逆数モデルを用いて、同じ低解像度画像から異なる高解像度バージョンを得るという問題に取り組んでいる。
学習アプローチでは,高分解能画像の学習において,教師なしの保存と探索に高周波数を活用できる。
論文 参考訳(メタデータ) (2021-02-12T17:11:42Z) - Image Matching with Scale Adjustment [57.18604132027697]
可変スケールでの関心点の表現と抽出方法を示す。
2つの異なる解像度で2つの画像を比較する方法を提案する。
論文 参考訳(メタデータ) (2020-12-10T11:03:25Z) - Mapping Low-Resolution Images To Multiple High-Resolution Images Using
Non-Adversarial Mapping [6.302374268077337]
まず第一に、SISRの問題は、低解像度画像と全候補高解像度画像との1対1のマッピング問題である、と我々は主張する。
本稿では,高解像度画像から高解像度画像への変換方法を学ぶモデルを提案する。
論文 参考訳(メタデータ) (2020-06-21T04:14:24Z) - Invertible Image Rescaling [118.2653765756915]
Invertible Rescaling Net (IRN) を開発した。
我々は、ダウンスケーリングプロセスにおいて、指定された分布に従う潜在変数を用いて、失われた情報の分布をキャプチャする。
論文 参考訳(メタデータ) (2020-05-12T09:55:53Z) - Unsupervised Real Image Super-Resolution via Generative Variational
AutoEncoder [47.53609520395504]
古典的な例に基づく画像超解法を再考し、知覚的画像超解法のための新しい生成モデルを考案する。
本稿では,変分オートエンコーダを用いた共同画像デノベーションと超解像モデルを提案する。
判別器の助けを借りて、超分解能サブネットワークのオーバーヘッドを加味して、分解された画像をフォトリアリスティックな視覚的品質で超解凍する。
論文 参考訳(メタデータ) (2020-04-27T13:49:36Z) - 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) - 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。