論文の概要: Exploring Resolution and Degradation Clues as Self-supervised Signal for Low Quality Object Detection

• arxiv url: http://arxiv.org/abs/2208.03062v1
• Date: Fri, 5 Aug 2022 09:36:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-08 12:41:05.744114
• Title: Exploring Resolution and Degradation Clues as Self-supervised Signal for Low Quality Object Detection
• Title（参考訳）: 低品質物体検出のための自己教師信号としての分解能と劣化曲線の探索
• Authors: Ziteng Cui, Yingying Zhu, Lin Gu, Guo-Jun Qi, Xiaoxiao Li, Renrui Zhang, Zenghui Zhang, Tatsuya Harada
• Abstract要約: 劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。 本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
• 参考スコア（独自算出の注目度）: 77.3530907443279
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image restoration algorithms such as super resolution (SR) are indispensable pre-processing modules for object detection in low quality images. Most of these algorithms assume the degradation is fixed and known a priori. However, in practical, either the real degradation or optimal up-sampling ratio rate is unknown or differs from assumption, leading to a deteriorating performance for both the pre-processing module and the consequent high-level task such as object detection. Here, we propose a novel self-supervised framework to detect objects in degraded low resolution images. We utilizes the downsampling degradation as a kind of transformation for self-supervised signals to explore the equivariant representation against various resolutions and other degradation conditions. The Auto Encoding Resolution in Self-supervision (AERIS) framework could further take the advantage of advanced SR architectures with an arbitrary resolution restoring decoder to reconstruct the original correspondence from the degraded input image. Both the representation learning and object detection are optimized jointly in an end-to-end training fashion. The generic AERIS framework could be implemented on various mainstream object detection architectures with different backbones. The extensive experiments show that our methods has achieved superior performance compared with existing methods when facing variant degradation situations. Code would be released at https://github.com/cuiziteng/ECCV_AERIS.
• Abstract（参考訳）: 超解像(SR)のような画像復元アルゴリズムは、低画質画像における物体検出に必須の事前処理モジュールである。 これらのアルゴリズムのほとんどは、劣化が固定され、先行が知られていると仮定する。 しかし、実際、実際の劣化率または最適アップサンプリング比率は未知であるか、仮定と異なるため、前処理モジュールとオブジェクト検出のような連続した高レベルタスクの両方で劣化性能が低下する。 本稿では,劣化した低解像度画像中の物体を検出するための,新しい自己教師付きフレームワークを提案する。 我々は,ダウンサンプリング劣化を自己教師信号の変換の一種として活用し,様々な分解条件や劣化条件に対する等価表現を探索する。 Auto Encoding Resolution in Self-supervision (AERIS) フレームワークは、劣化した入力画像から元の対応を再構築するために任意の解像度復元デコーダを持つ高度なSRアーキテクチャの利点をさらに活用することができる。 表現学習とオブジェクト検出の両方を、エンドツーエンドのトレーニング方法で共同で最適化する。 一般的なAERISフレームワークは、様々なバックボーンを持つ様々な主流オブジェクト検出アーキテクチャで実装できる。 提案手法は, 既存手法と比較して, 各種劣化状況に直面する場合に比べて優れた性能を示した。 コードはhttps://github.com/cuiziteng/ECCV_AERISで公開される。

関連論文リスト

• Multi-Feature Aggregation in Diffusion Models for Enhanced Face Super-Resolution [6.055006354743854]
  超解像を生成するために,複数の低画質画像から抽出した特徴と組み合わせた低解像度画像を利用するアルゴリズムを開発した。 他のアルゴリズムとは異なり、我々のアプローチは属性情報を明示的に提供せずに顔の特徴を復元する。 これは、高解像度画像と低解像度画像を組み合わせて、より信頼性の高い超高解像度画像を生成するコンディショナーとして初めて使用される。
  論文  参考訳（メタデータ） (2024-08-27T20:08:33Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• 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)
• MrSARP: A Hierarchical Deep Generative Prior for SAR Image Super-resolution [0.5161531917413706]
  SAR画像のための新しい階層的深部生成モデルMrSARPを提案する。 MrSARPは、異なる解像度でターゲットの現実的なイメージであるかどうかを判断するために、複数の解像度の画像を共同でスコアする批評家と共同で訓練されている。 我々は,この深部生成モデルを用いて,同じターゲットの低解像度画像から高解像度画像を取得する方法を示す。
  論文  参考訳（メタデータ） (2022-11-30T19:12:21Z)
• Benchmarking performance of object detection under image distortions in an uncontrolled environment [0.483420384410068]
  オブジェクト検出アルゴリズムの堅牢性は、現実世界のアプリケーションにおいて顕著な役割を果たす。 物体検出法の性能は, 被写体内歪みに悩まされていることが証明されている。 本稿では,最先端のオブジェクト検出手法の性能評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-28T09:06:52Z)
• 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)
• RestoreDet: Degradation Equivariant Representation for Object Detection in Low Resolution Images [81.91416537019835]
  劣化した低解像度画像中のオブジェクトを検出するための新しいフレームワークであるRestoreDetを提案する。 CenterNetをベースとした本フレームワークは, 既存手法と比較して, 異種劣化状況に直面する場合に比べ, 優れた性能を達成している。
  論文  参考訳（メタデータ） (2022-01-07T03:40:23Z)
• Toward Real-world Image Super-resolution via Hardware-based Adaptive Degradation Models [3.9037347042028254]
  ほとんどの単一画像超解像法は、合成低分解能(LR)と高分解能(HR)画像対上で開発されている。 ハードウェアの知識を取り入れた未知の劣化過程をシミュレートする新しい教師付き手法を提案する。 実世界のデータセットを用いた実験により,我々の劣化モデルが所定の劣化操作よりも精度良くLR画像を推定できることが確認された。
  論文  参考訳（メタデータ） (2021-10-20T19:53:48Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)

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。