論文の概要: Criteria Comparative Learning for Real-scene Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2207.12767v1
• Date: Tue, 26 Jul 2022 09:22:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-27 12:47:26.540220
• Title: Criteria Comparative Learning for Real-scene Image Super-Resolution
• Title（参考訳）: 実画像超解像のための基準比較学習
• Authors: Yukai Shi, Hao Li, Sen Zhang, Zhijing Yang and Xiao Wang
• Abstract要約: リアルシーン画像の超高解像度化は、現実世界の低解像度画像を高品質なバージョンに復元することを目的としている。 クリテリア比較学習(Cria-CL)という,RealSRのための新しい学習パラダイムを提案する。
• 参考スコア（独自算出の注目度）: 15.015758903482562
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Real-scene image super-resolution aims to restore real-world low-resolution images into their high-quality versions. A typical RealSR framework usually includes the optimization of multiple criteria which are designed for different image properties, by making the implicit assumption that the ground-truth images can provide a good trade-off between different criteria. However, this assumption could be easily violated in practice due to the inherent contrastive relationship between different image properties. Contrastive learning (CL) provides a promising recipe to relieve this problem by learning discriminative features using the triplet contrastive losses. Though CL has achieved significant success in many computer vision tasks, it is non-trivial to introduce CL to RealSR due to the difficulty in defining valid positive image pairs in this case. Inspired by the observation that the contrastive relationship could also exist between the criteria, in this work, we propose a novel training paradigm for RealSR, named Criteria Comparative Learning (Cria-CL), by developing contrastive losses defined on criteria instead of image patches. In addition, a spatial projector is proposed to obtain a good view for Cria-CL in RealSR. Our experiments demonstrate that compared with the typical weighted regression strategy, our method achieves a significant improvement under similar parameter settings.
• Abstract（参考訳）: リアルタイム画像スーパーレゾリューションは、現実世界の低解像度画像を高品質なバージョンに復元することを目的としている。 典型的なrealsrフレームワークは、通常、異なる画像プロパティのために設計された複数の基準の最適化を含んでいる。 しかし、この仮定は、異なる画像特性間の本質的に対照的な関係のため、実際には容易に破ることができる。 コントラスト学習(CL)は、三重項の対照的な損失を用いて識別的特徴を学習することにより、この問題を緩和する有望なレシピを提供する。 CLは多くのコンピュータビジョンタスクで大きな成功を収めてきたが、このケースでは正のイメージ対を定義するのが難しいため、RealSRにCLを導入することは簡単ではない。 本研究は,コントラスト的関係が基準の間にも存在するという観察から着想を得て,画像パッチの代わりに基準上で定義されたコントラスト的損失を開発することにより,クリテリア比較学習(Cria-CL)と呼ばれるRealSRの新しいトレーニングパラダイムを提案する。 また,RealSR における Cria-CL の良好なビューを得るために空間プロジェクタを提案する。 実験により, 従来の重み付き回帰法と比較すると, 同様のパラメータ設定で大幅な改善が得られた。

関連論文リスト

• Content-decoupled Contrastive Learning-based Implicit Degradation Modeling for Blind Image Super-Resolution [33.16889233975723]
  急激な劣化モデルに基づくブラインド・スーパーレゾリューション(SR)は、コミュニティで注目を集めている。 本稿では,CdCL(Content-decoupled Contrastive Learning-based blind image super- resolution)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-10T04:51:43Z)
• Federated Learning for Blind Image Super-Resolution [9.864168347373338]
  従来のブラインド画像SR法では、実世界の劣化を正確にモデル化する必要がある。 我々は,イメージSRとフェデレーション学習を融合させ,現実世界の劣化をユーザから直接学習できるようにすることを提案する。 このフェデレーション設定において、新しいSR手法を評価するために特別に設計された新しいベンチマークを導入する。
  論文  参考訳（メタデータ） (2024-04-26T19:27:07Z)
• ICF-SRSR: Invertible scale-Conditional Function for Self-Supervised Real-world Single Image Super-Resolution [60.90817228730133]
  単一画像超解像(SISR)は、与えられた低解像度(LR)画像を高解像度(HR)にアップサンプリングすることを目的とした課題である。 近年のアプローチは、単純化されたダウンサンプリング演算子によって劣化したシミュレーションLR画像に基づいて訓練されている。 Invertible Scale-Conditional Function (ICF) を提案する。これは入力画像をスケールし、異なるスケール条件で元の入力を復元する。
  論文  参考訳（メタデータ） (2023-07-24T12:42:45Z)
• RRSR:Reciprocal Reference-based Image Super-Resolution with Progressive Feature Alignment and Selection [66.08293086254851]
  本稿では,RefSRネットワークの学習を強化するための相互学習フレームワークを提案する。 新たに提案したモジュールは,マルチスケールの特徴空間に参照入力画像をアライメントし,参照認識機能の選択を行う。 我々は,最近のRefSRモデルが相互学習パラダイムによって一貫した改善が可能であることを実証的に示す。
  論文  参考訳（メタデータ） (2022-11-08T12:39:35Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• Hierarchical Conditional Flow: A Unified Framework for Image Super-Resolution and Image Rescaling [139.25215100378284]
  画像SRと画像再スケーリングのための統合フレームワークとして階層的条件フロー(HCFlow)を提案する。 HCFlowは、LR画像と残りの高周波成分の分布を同時にモデル化することにより、HRとLR画像ペア間のマッピングを学習する。 さらに性能を高めるために、知覚的損失やGAN損失などの他の損失と、トレーニングで一般的に使用される負の対数類似損失とを組み合わせる。
  論文  参考訳（メタデータ） (2021-08-11T16:11:01Z)
• DDet: Dual-path Dynamic Enhancement Network for Real-World Image Super-Resolution [69.2432352477966]
  実画像超解像(Real-SR)は、実世界の高分解能画像(HR)と低分解能画像(LR)の関係に焦点を当てている。 本稿では,Real-SRのためのデュアルパス動的拡張ネットワーク(DDet)を提案する。 特徴表現のための大規模な畳み込みブロックを積み重ねる従来の手法とは異なり、非一貫性のある画像対を研究するためのコンテンツ認識フレームワークを導入する。
  論文  参考訳（メタデータ） (2020-02-25T18:24:51Z)
• Characteristic Regularisation for Super-Resolving Face Images [81.84939112201377]
  既存の顔画像超解像法(SR)は、主に人工的にダウンサンプリングされた低解像度(LR)画像の改善に焦点を当てている。 従来の非教師なしドメイン適応(UDA)手法は、未ペアの真のLRとHRデータを用いてモデルをトレーニングすることでこの問題に対処する。 これにより、視覚的特徴を構成することと、画像の解像度を高めることの2つのタスクで、モデルをオーバーストレッチする。 従来のSRモデルとUDAモデルの利点を結合する手法を定式化する。
  論文  参考訳（メタデータ） (2019-12-30T16:27:24Z)

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。