論文の概要: Meta-Learning based Degradation Representation for Blind Super-Resolution

• arxiv url: http://arxiv.org/abs/2207.13963v2
• Date: Sat, 3 Jun 2023 05:08:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-07 04:52:41.199449
• Title: Meta-Learning based Degradation Representation for Blind Super-Resolution
• Title（参考訳）: メタラーニングによるブラインド超解像の分解表現
• Authors: Bin Xia, Yapeng Tian, Yulun Zhang, Yucheng Hang, Wenming Yang, Qingmin Liao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 54.93926549648434
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The most of CNN based super-resolution (SR) methods assume that the degradation is known (\eg, bicubic). These methods will suffer a severe performance drop when the degradation is different from their assumption. Therefore, some approaches attempt to train SR networks with the complex combination of multiple degradations to cover the real degradation space. To adapt to multiple unknown degradations, introducing an explicit degradation estimator can actually facilitate SR performance. However, previous explicit degradation estimation methods usually predict Gaussian blur with the supervision of groundtruth blur kernels, and estimation errors may lead to SR failure. Thus, it is necessary to design a method that can extract implicit discriminative degradation representation. To this end, we propose a Meta-Learning based Region Degradation Aware SR Network (MRDA), including Meta-Learning Network (MLN), Degradation Extraction Network (DEN), and Region Degradation Aware SR Network (RDAN). To handle the lack of groundtruth degradation, we use the MLN to rapidly adapt to the specific complex degradation after several iterations and extract implicit degradation information. Subsequently, a teacher network MRDA$_{T}$ is designed to further utilize the degradation information extracted by MLN for SR. However, MLN requires iterating on paired low-resolution (LR) and corresponding high-resolution (HR) images, which is unavailable in the inference phase. Therefore, we adopt knowledge distillation (KD) to make the student network learn to directly extract the same implicit degradation representation (IDR) as the teacher from LR images.
• Abstract（参考訳）: CNNベースの超解像法(SR)の最も多くは、分解が知られていると仮定する(\eg, bicubic)。 これらの手法は、劣化が仮定と異なる場合、深刻なパフォーマンス低下に苦しむ。 したがって、実際の劣化空間をカバーするために、複数の劣化の複雑な組み合わせでSRネットワークを訓練しようとするアプローチもある。 複数の未知の劣化に対応するために、明示的な劣化推定器を導入することでsr性能が実際に向上する。 しかしながら、従来の明示的劣化推定法は、通常、基底ぼけカーネルの監督によりガウスのぼけを予測し、推定誤差がsrの故障を引き起こす可能性がある。 したがって、暗黙の判別的劣化表現を抽出する方法を設計する必要がある。 そこで本研究では,メタラーニングネットワーク(MLN),デグラデーション抽出ネットワーク(DEN),領域デグラデーション認識SRネットワーク(RDAN)を含むメタラーニングベースのRegional Degradation Aware SR Network(MRDA)を提案する。 基礎的劣化の欠如に対処するため,MLN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。 その後、教師ネットワークmda$_{t}$がmlnにより抽出された劣化情報をsrにさらに活用するように設計される。 しかし、MLNは推論フェーズでは利用できないペア化低分解能(LR)と対応する高分解能(HR)画像を反復する必要がある。 そこで我々は,学生ネットワークがLR画像から教師と同じ暗黙的劣化表現(IDR)を直接抽出できるように,知識蒸留(KD)を採用する。

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)
• 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)
• Knowledge Distillation based Degradation Estimation for Blind Super-Resolution [146.0988597062618]
  Blind画像超解像(Blind-SR)は、対応する低解像度(LR)入力画像から高解像度(HR)画像を未知の劣化で復元することを目的としている。 劣化推定器のトレーニングを監督するために、複数の劣化組合せの具体的なラベルを提供することは不可能である。 本稿では,知識蒸留に基づく暗黙劣化推定ネットワーク(KD-IDE)と効率的なSRネットワークを提案する。
  論文  参考訳（メタデータ） (2022-11-30T11:59:07Z)
• 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)
• Towards Lightweight Super-Resolution with Dual Regression Learning [58.98801753555746]
  深層ニューラルネットワークは、画像超解像(SR)タスクにおいて顕著な性能を示した。 SR問題は通常不適切な問題であり、既存の手法にはいくつかの制限がある。 本稿では、SRマッピングの可能な空間を削減するために、二重回帰学習方式を提案する。
  論文  参考訳（メタデータ） (2022-07-16T12:46:10Z)
• Degradation-Guided Meta-Restoration Network for Blind Super-Resolution [45.61951760826198]
  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。
  論文  参考訳（メタデータ） (2022-07-03T03:24:45Z)
• Improving Super-Resolution Performance using Meta-Attention Layers [17.870338228921327]
  畳み込みニューラルネットワーク(CNN)は多くの超解像(SR)と画像復元タスクで素晴らしい結果を得た。 SRのIll-posed性質は、複数の異なる劣化を経た画像を正確に超解き出すのを難しくする。 メタアテンション(メタアテンション)は、任意のSR CNNが関連する劣化パラメータで利用可能な情報を活用できるようにするメカニズムである。
  論文  参考訳（メタデータ） (2021-10-27T09:20:21Z)
• 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)
• Transitive Learning: Exploring the Transitivity of Degradations for Blind Super-Resolution [89.4784684863403]
  経時劣化に対する盲目超解像法 (TLSR) の新しいTransitive Learning法を提案する。 我々は, 広く用いられている添加物および畳み込み劣化を含む劣化の推移性を分析し, 実証する。 提案するTLSRは性能が向上し,最先端のブラインドSR手法と比較して時間の浪費が少ないことを示す。
  論文  参考訳（メタデータ） (2021-03-29T02:51:09Z)

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。