論文の概要: Learning Generalizable Latent Representations for Novel Degradations in
Super Resolution
- arxiv url: http://arxiv.org/abs/2207.12941v1
- Date: Mon, 25 Jul 2022 16:22:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-27 13:16:35.637034
- Title: Learning Generalizable Latent Representations for Novel Degradations in
Super Resolution
- Title(参考訳): 超解像における新しい劣化の学習一般化型潜在表現
- Authors: Fengjun Li, Xin Feng, Fanglin Chen, Guangming Lu and Wenjie Pei
- Abstract要約: 本稿では,手工芸品(ベース)の劣化から新しい劣化まで一般化可能な劣化の潜在表現空間を学習することを提案する。
そして、この潜伏空間における新規な劣化の表現を利用して、新規な劣化と整合した劣化画像を生成する。
我々は,新しい劣化を伴う視覚超解像法の有効性と利点を検証するために,合成データセットと実世界のデータセットの両方について広範な実験を行った。
- 参考スコア(独自算出の注目度): 29.706191592443027
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Typical methods for blind image super-resolution (SR) focus on dealing with
unknown degradations by directly estimating them or learning the degradation
representations in a latent space. A potential limitation of these methods is
that they assume the unknown degradations can be simulated by the integration
of various handcrafted degradations (e.g., bicubic downsampling), which is not
necessarily true. The real-world degradations can be beyond the simulation
scope by the handcrafted degradations, which are referred to as novel
degradations. In this work, we propose to learn a latent representation space
for degradations, which can be generalized from handcrafted (base) degradations
to novel degradations. The obtained representations for a novel degradation in
this latent space are then leveraged to generate degraded images consistent
with the novel degradation to compose paired training data for SR model.
Furthermore, we perform variational inference to match the posterior of
degradations in latent representation space with a prior distribution (e.g.,
Gaussian distribution). Consequently, we are able to sample more high-quality
representations for a novel degradation to augment the training data for SR
model. We conduct extensive experiments on both synthetic and real-world
datasets to validate the effectiveness and advantages of our method for blind
super-resolution with novel degradations.
- Abstract(参考訳): ブラインド画像超解像(SR)の典型的な方法は、直接推定したり、潜在空間で分解表現を学習することで、未知の劣化に対処することに焦点を当てている。
これらの方法の潜在的な限界は、未知の分解が様々な手作りの劣化(例えば、ビキューブのダウンサンプリング)の統合によってシミュレートできるという仮定である。
実世界の劣化は、新しい劣化と呼ばれる手作りの劣化によってシミュレーションの範囲を超えることができる。
そこで本研究では,手作り(ベース)劣化から新しい劣化へ一般化可能な,劣化の潜在表現空間を学習することを提案する。
次に、この潜伏空間における新規劣化の表現を利用して、新規劣化と整合した劣化画像を生成し、SRモデルのペアトレーニングデータを構成する。
さらに, 潜在表現空間における劣化の後方を事前分布(ガウス分布など)と一致させる変分推論を行う。
その結果、SRモデルのトレーニングデータを増やすために、新しい劣化のためのより高品質な表現をサンプリングすることができる。
我々は,新しい劣化を伴うブラインド超解像法の有効性と利点を検証するために,合成データと実世界のデータセットの両方について広範な実験を行う。
関連論文リスト
- Efficient Test-Time Adaptation for Super-Resolution with Second-Order
Degradation and Reconstruction [62.955327005837475]
画像超解像(SR)は,低分解能(LR)から高分解能(HR)へのマッピングを,一対のHR-LRトレーニング画像を用いて学習することを目的としている。
SRTTAと呼ばれるSRの効率的なテスト時間適応フレームワークを提案し、SRモデルを異なる/未知の劣化型でテストドメインに迅速に適応させることができる。
論文 参考訳(メタデータ) (2023-10-29T13:58:57Z) - Neural Degradation Representation Learning for All-In-One Image
Restoration [47.44349756954423]
複数の劣化に対処するオールインワン画像復元ネットワークを提案する。
我々は、様々な劣化の基盤となる特徴を捉える神経分解表現(NDR)を学習する。
我々は,NDRに基づく特定の劣化を効果的に認識し,活用するための劣化クエリモジュールと劣化インジェクションモジュールを開発した。
論文 参考訳(メタデータ) (2023-10-19T15:59:24Z) - Crafting Training Degradation Distribution for the
Accuracy-Generalization Trade-off in Real-World Super-Resolution [53.0437282872811]
そこで本研究では,少数の参照画像を用いたクラフトトレーニング劣化分布の新しい手法を提案する。
提案手法は,実世界のアプリケーションにおける一般化能力を保ちながら,テスト画像の性能を著しく向上することを示す。
論文 参考訳(メタデータ) (2023-05-29T14:22:48Z) - Exploiting Diffusion Prior for Real-World Image Super-Resolution [81.0962494325732]
本稿では,事前学習したテキスト・画像拡散モデルにカプセル化された事前知識を視覚的超解像に活用するための新しいアプローチを提案する。
時間認識エンコーダを用いることで、事前学習した合成モデルを変更することなく、有望な復元結果が得られる。
論文 参考訳(メタデータ) (2023-05-11T17:55:25Z) - DR2: Diffusion-based Robust Degradation Remover for Blind Face
Restoration [66.01846902242355]
ブラインド顔復元は通常、トレーニングのための事前定義された劣化モデルで劣化した低品質データを合成する。
トレーニングデータに現実のケースをカバーするために、あらゆる種類の劣化を含めることは、高価で実現不可能である。
本稿では、まず、劣化した画像を粗いが劣化不変な予測に変換し、次に、粗い予測を高品質な画像に復元するために拡張モジュールを使用するロバスト劣化再帰法(DR2)を提案する。
論文 参考訳(メタデータ) (2023-03-13T06:05:18Z) - 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) - Unsupervised Degradation Representation Learning for Blind
Super-Resolution [27.788488575616032]
CNNベースのスーパーリゾリューション(SR)手法は、実際の劣化が仮定と異なる場合に深刻なパフォーマンス低下を被る。
明示的な劣化推定を伴わない盲点SRのための教師なし劣化表現学習手法を提案する。
我々のネットワークは、ブラインドSRタスクの最先端性能を達成する。
論文 参考訳(メタデータ) (2021-04-01T11:57:42Z) - Real-world Person Re-Identification via Degradation Invariance Learning [111.86722193694462]
現実のシナリオにおける人物再識別(Re-ID)は通常、低解像度、弱い照明、ぼやけ、悪天候などの様々な劣化要因に悩まされる。
本稿では,現実世界のRe-IDを対象とした劣化不変学習フレームワークを提案する。
自己教師付き不整合表現学習戦略を導入することにより,個人性に関連する頑健な特徴を同時に抽出することができる。
論文 参考訳(メタデータ) (2020-04-10T07:58:50Z)
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。