論文の概要: Sub-Aperture Feature Adaptation in Single Image Super-resolution Model
for Light Field Imaging
- arxiv url: http://arxiv.org/abs/2207.11894v2
- Date: Tue, 26 Jul 2022 04:01:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-27 10:34:16.900576
- Title: Sub-Aperture Feature Adaptation in Single Image Super-resolution Model
for Light Field Imaging
- Title（参考訳）: 光場イメージングのための単一画像超解像モデルにおけるサブアパーチャ特徴適応
- Authors: Aupendu Kar, Suresh Nehra, Jayanta Mukhopadhyay, Prabir Kumar Biswas
- Abstract要約: 本稿では,この強力なSISRモデルを活用するために,事前訓練されたSingle Image Super Resolution (SISR)ネットワークにおける適応モジュールを提案する。
これは、LF画像の空間的および角的情報をさらに活用し、超解像性能を向上させるためのSISRネットワークの適応である。
- 参考スコア（独自算出の注目度）: 17.721259583120396
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: With the availability of commercial Light Field (LF) cameras, LF imaging has
emerged as an up and coming technology in computational photography. However,
the spatial resolution is significantly constrained in commercial microlens
based LF cameras because of the inherent multiplexing of spatial and angular
information. Therefore, it becomes the main bottleneck for other applications
of light field cameras. This paper proposes an adaptation module in a
pretrained Single Image Super Resolution (SISR) network to leverage the
powerful SISR model instead of using highly engineered light field imaging
domain specific Super Resolution models. The adaption module consists of a Sub
aperture Shift block and a fusion block. It is an adaptation in the SISR
network to further exploit the spatial and angular information in LF images to
improve the super resolution performance. Experimental validation shows that
the proposed method outperforms existing light field super resolution
algorithms. It also achieves PSNR gains of more than 1 dB across all the
datasets as compared to the same pretrained SISR models for scale factor 2, and
PSNR gains 0.6 to 1 dB for scale factor 4.
- Abstract（参考訳）: 商用のLight Field(LF)カメラが利用可能になったことで、LFイメージングは計算写真における最新技術として登場した。
しかし、空間分解能は空間情報と角情報の本質的に多重化のため、商業用マイクロレンズベースのLFカメラでは著しく制限されている。
したがって、ライトフィールドカメラの他の応用における主要なボトルネックとなる。
本稿では,高精巧な光場画像領域特定超解像モデルではなく,強力なSISRモデルを活用するための,事前訓練されたSingle Image Super Resolution (SISR)ネットワークの適応モジュールを提案する。
適応モジュールは、サブアパーチャシフトブロックと融合ブロックとからなる。
これは、LF画像の空間的および角的情報をさらに活用して超解像性能を向上させるためのSISRネットワークの適応である。
実験により,提案手法は既存の光場超解法よりも優れた性能を示した。
また、すべてのデータセットでPSNRが1dB以上のゲインを達成し、スケールファクター2でトレーニング済みのSISRモデルと比較すると、PSNRはスケールファクター4で0.6から1dBを得る。
関連論文リスト
- LGFN: Lightweight Light Field Image Super-Resolution using Local Convolution Modulation and Global Attention Feature Extraction [5.461017270708014]
本稿では,LGFN という軽量なモデルを提案する。このモデルでは,異なるビューの局所的特徴とグローバル的特徴と,LF 画像 SR のための異なるチャネルの特徴を統合している。
我々のモデルは0.45Mのパラメータと19.33GのFLOPを持つ。
論文 参考訳（メタデータ） (2024-09-26T11:53:25Z) - Light Field Spatial Resolution Enhancement Framework [0.24578723416255746]
解像度向上のための新しい光場フレームワークを提案する。
第1モジュールは高解像度のオールインフォーカス画像を生成する。
第2のモジュール、テクスチャ・トランスフォーマー・ネットワークは、各光界視点の分解能を独立して向上させる。
論文 参考訳（メタデータ） (2024-05-05T02:07:10Z) - 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) - L1BSR: Exploiting Detector Overlap for Self-Supervised Single-Image
Super-Resolution of Sentinel-2 L1B Imagery [14.233972890133769]
高解像度衛星画像は、多くの地球観測アプリケーションにとって重要な要素である。
信頼性の高い高解像度基底真理の欠如は、このタスクへのディープラーニング手法の適用を制限する。
L1BSRは,Sentinel-2 L1B 10m帯の単一像超解像およびバンドアライメントのための深層学習に基づく手法である。
論文 参考訳（メタデータ） (2023-04-14T00:17:57Z) - Learning Texture Transformer Network for Light Field Super-Resolution [1.5469452301122173]
変換器ネットワーク(TTSR)を利用した光画像の空間分解能向上手法を提案する。
その結果,2次元の光場画像より約4dBから6dBのPSNRゲインが得られた。
論文 参考訳（メタデータ） (2022-10-09T15:16:07Z) - Deep Burst Super-Resolution [165.90445859851448]
バースト超解像タスクのための新しいアーキテクチャを提案する。
我々のネットワークは複数のノイズRAW画像を入力として取り出し、出力として分解された超解像RGB画像を生成する。
実世界のデータのトレーニングと評価を可能にするため,BurstSRデータセットも導入する。
論文 参考訳（メタデータ） (2021-01-26T18:57:21Z) - 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) - 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) - 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) - PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of
Generative Models [77.32079593577821]
PULSE (Photo Upsampling via Latent Space Exploration) は、それまで文献になかった解像度で高解像度でリアルな画像を生成する。
本手法は, 従来よりも高分解能, スケールファクターの知覚品質において, 最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2020-03-08T16:44:31Z) - Learning Light Field Angular Super-Resolution via a Geometry-Aware
Network [101.59693839475783]
そこで本研究では,広いベースラインを持つスパースサンプリング光場を超解き放つことを目的とした,エンド・ツー・エンドの学習ベースアプローチを提案する。
提案手法は,実行時間48$times$を節約しつつ,2番目のベストメソッドのPSNRを平均2dBまで改善する。
論文 参考訳（メタデータ） (2020-02-26T02:36:57Z)
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。