論文の概要: Degradation-Guided Meta-Restoration Network for Blind Super-Resolution
- arxiv url: http://arxiv.org/abs/2207.00943v1
- Date: Sun, 3 Jul 2022 03:24:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-05 16:29:05.254861
- Title: Degradation-Guided Meta-Restoration Network for Blind Super-Resolution
- Title(参考訳): ブラインド超解像のための劣化誘導型メタ修復ネットワーク
- Authors: Fuzhi Yang, Huan Yang, Yanhong Zeng, Jianlong Fu, Hongtao Lu
- Abstract要約: ブラインド超解像(SR)は、低解像度(LR)画像から高品質な視覚テクスチャを復元することを目的としている。
既存のSRアプローチは、事前に定義されたぼやけたカーネルや固定ノイズを仮定する。
本稿では,視覚障害者の視力回復を支援する,視力超解像(DMSR)のための劣化誘導型メタ修復ネットワークを提案する。
- 参考スコア(独自算出の注目度): 45.61951760826198
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Blind super-resolution (SR) aims to recover high-quality visual textures from
a low-resolution (LR) image, which is usually degraded by down-sampling blur
kernels and additive noises. This task is extremely difficult due to the
challenges of complicated image degradations in the real-world. Existing SR
approaches either assume a predefined blur kernel or a fixed noise, which
limits these approaches in challenging cases. In this paper, we propose a
Degradation-guided Meta-restoration network for blind Super-Resolution (DMSR)
that facilitates image restoration for real cases. DMSR consists of a
degradation extractor and meta-restoration modules. The extractor estimates the
degradations in LR inputs and guides the meta-restoration modules to predict
restoration parameters for different degradations on-the-fly. DMSR is jointly
optimized by a novel degradation consistency loss and reconstruction losses.
Through such an optimization, DMSR outperforms SOTA by a large margin on three
widely-used benchmarks. A user study including 16 subjects further validates
the superiority of DMSR in real-world blind SR tasks.
- Abstract(参考訳): ブラインド・スーパーレゾリューション(SR)は、低解像度(LR)画像から高品質な視覚テクスチャを復元することを目的としている。
この課題は、現実世界における複雑な画像劣化の課題のため、極めて困難である。
既存のsrアプローチは、事前定義されたぼかしカーネルまたは固定ノイズを前提としており、困難なケースではこれらのアプローチを制限する。
本稿では,実例に対する画像復元を容易にするブラインド超解像(dmsr)のための劣化誘導型メタ復元ネットワークを提案する。
DMSRは分解抽出器とメタ修復モジュールから構成される。
抽出器はLR入力の劣化を推定し、メタ復元モジュールを誘導し、フライ時に異なる劣化に対する復元パラメータを予測する。
DMSRは、新しい劣化一貫性損失と再構成損失によって共同最適化される。
このような最適化により、DMSRは3つの広く使用されているベンチマークにおいて、SOTAよりも大きなマージンで優れている。
16名の被験者を含むユーザスタディは、現実世界の盲目SRタスクにおけるDMSRの優位性をさらに検証する。
関連論文リスト
- Enhanced Super-Resolution Training via Mimicked Alignment for Real-World Scenes [51.92255321684027]
トレーニング中、LR入力とHR画像の整列により、誤調整問題を緩和する新しいプラグアンドプレイモジュールを提案する。
具体的には,従来のLR試料の特徴を保ちながらHRと整合する新しいLR試料を模倣する。
本手法を合成および実世界のデータセット上で総合的に評価し,SRモデルのスペクトル間での有効性を実証した。
論文 参考訳(メタデータ) (2024-10-07T18:18:54Z) - Low-Res Leads the Way: Improving Generalization for Super-Resolution by
Self-Supervised Learning [45.13580581290495]
本研究は,SRモデルの現実の画像への適応性を高めるために,新しい"Low-Res Leads the Way"(LWay)トレーニングフレームワークを導入する。
提案手法では,低分解能(LR)再構成ネットワークを用いて,LR画像から劣化埋め込みを抽出し,LR再構成のための超解出力とマージする。
私たちのトレーニング体制は普遍的に互換性があり、ネットワークアーキテクチャの変更は不要です。
論文 参考訳(メタデータ) (2024-03-05T02:29:18Z) - Reti-Diff: Illumination Degradation Image Restoration with Retinex-based
Latent Diffusion Model [59.08821399652483]
照明劣化画像復元(IDIR)技術は、劣化した画像の視認性を改善し、劣化した照明の悪影響を軽減することを目的としている。
これらのアルゴリズムのうち、拡散モデル(DM)に基づく手法は期待できる性能を示しているが、画像レベルの分布を予測する際に、重い計算要求や画素の不一致の問題に悩まされることが多い。
我々は、コンパクトな潜在空間内でDMを活用して、簡潔な指導先を生成することを提案し、IDIRタスクのためのReti-Diffと呼ばれる新しいソリューションを提案する。
Reti-Diff は Retinex-based Latent DM (RLDM) と Retinex-Guided Transformer (RG) の2つの鍵成分からなる。
論文 参考訳(メタデータ) (2023-11-20T09:55:06Z) - DCS-RISR: Dynamic Channel Splitting for Efficient Real-world Image
Super-Resolution [15.694407977871341]
実世界の画像超解像(RISR)は、未知の複雑な劣化下でのSR画像の品質向上に重点を置いている。
既存の手法は、分解レベルが異なる低解像度(LR)画像を強化するために重いSRモデルに依存している。
本稿では,DCS-RISRと呼ばれる高効率リアルタイム画像超解法のための動的チャネル分割方式を提案する。
論文 参考訳(メタデータ) (2022-12-15T04:34:57Z) - The Best of Both Worlds: a Framework for Combining Degradation
Prediction with High Performance Super-Resolution Networks [14.804000317612305]
本稿では,ブラインドSR予測機構とディープSRネットワークを組み合わせるためのフレームワークを提案する。
我々は、我々のハイブリッドモデルが、非盲目モデルと盲目モデルの両方よりも強いSR性能を一貫して達成していることを示す。
論文 参考訳(メタデータ) (2022-11-09T16:49:35Z) - 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) - Meta-Learning based Degradation Representation for Blind
Super-Resolution [54.93926549648434]
メタラーニングに基づく地域劣化対応SRネットワーク(MRDA)を提案する。
我々はMRDAを用いて、数回の反復後に特定の複雑な劣化に迅速に適応し、暗黙的な劣化情報を抽出する。
教師ネットワークMRDA$_T$は、SRのためにMLNが抽出した劣化情報をさらに活用するように設計されている。
論文 参考訳(メタデータ) (2022-07-28T09:03:00Z) - Reference-based Image Super-Resolution with Deformable Attention
Transformer [62.71769634254654]
RefSRは、補助参照(Ref)画像を超解像低解像度(LR)画像に活用することを目的としている。
本稿では,複数のスケールを持つ変形可能なアテンション変換器,すなわちDATSRを提案する。
DATSRがベンチマークデータセット上で最先端のパフォーマンスを達成することを示す実験を行った。
論文 参考訳(メタデータ) (2022-07-25T07:07:00Z) - 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 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)
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。