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

• Degradation Oriented and Regularized Network for Blind Depth Super-Resolution [48.744290794713905]
  現実のシナリオでは、キャプチャーされた深度データは、センサーの制限や複雑な撮像環境のために、従来と変わらない劣化に悩まされることが多い。 本稿では,現実のシーンにおける未知の劣化に適応的に対処する新しいフレームワークであるDORNetを提案する。 提案手法は,低解像度深度データの劣化表現をモデル化した自己教師付き劣化学習戦略の開発から始まる。 効率的なRGB-D融合を容易にするために,学習した劣化先行情報に基づいて,RGBコンテンツを奥行きデータに選択的に伝播する劣化指向の特徴変換モジュールを導入する。
  論文  参考訳（メタデータ） (2024-10-15T14:53:07Z)
• 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)
• Pairwise Distance Distillation for Unsupervised Real-World Image Super-Resolution [38.79439380482431]
  実世界の超解像(RWSR)は低分解能入力における未知の劣化に直面している。 既存の手法では、学習インプットの複雑な合成拡張を通じて視覚一般モデルを学習することでこの問題にアプローチする。 実世界の劣化に対する教師なしRWSRに対処するための,新しい相互距離蒸留フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-10T01:46:40Z)
• Preserving Full Degradation Details for Blind Image Super-Resolution [40.152015542099704]
  劣化低分解能画像(LR)の再生による劣化表現の学習方法を提案する。 復調器に入力LR画像の再構成を誘導することにより、その表現に全劣化情報をエンコードすることができる。 実験により, 精度が高く, 強靭な劣化情報を抽出できることが確認された。
  論文  参考訳（メタデータ） (2024-07-01T13:54:59Z)
• Incorporating Degradation Estimation in Light Field Spatial Super-Resolution [54.603510192725786]
  本稿では,多種多様な劣化型を扱うために,明示的な劣化推定を組み込んだ効果的なブラインド光場SR法LF-DESTを提案する。 ベンチマークデータセットに対する広範な実験を行い、光場SRにおける様々な劣化シナリオにおいてLF-DESTが優れた性能を発揮することを示した。
  論文  参考訳（メタデータ） (2024-05-11T13:14:43Z)
• 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)
• Exploiting Diffusion Prior for Real-World Image Super-Resolution [75.5898357277047]
  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)
• 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)

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。