論文の概要: Perception-Distortion Balanced ADMM Optimization for Single-Image
Super-Resolution
- arxiv url: http://arxiv.org/abs/2208.03324v1
- Date: Fri, 5 Aug 2022 05:37:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-09 13:54:32.505611
- Title: Perception-Distortion Balanced ADMM Optimization for Single-Image
Super-Resolution
- Title(参考訳): 単一画像超解像に対する知覚歪バランスADMM最適化
- Authors: Yuehan Zhang, Bo Ji, Angela Yao
- Abstract要約: 低周波制約(LFc-SR)を持つ新しい超解像モデルを提案する。
制約付きモデルの非自明な学習のためのADMMに基づく交互最適化手法を提案する。
実験の結果,提案手法は加工後処理の煩雑さを伴わず,最先端の性能を達成できた。
- 参考スコア(独自算出の注目度): 29.19388490351459
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In image super-resolution, both pixel-wise accuracy and perceptual fidelity
are desirable. However, most deep learning methods only achieve high
performance in one aspect due to the perception-distortion trade-off, and works
that successfully balance the trade-off rely on fusing results from separately
trained models with ad-hoc post-processing. In this paper, we propose a novel
super-resolution model with a low-frequency constraint (LFc-SR), which balances
the objective and perceptual quality through a single model and yields
super-resolved images with high PSNR and perceptual scores. We further
introduce an ADMM-based alternating optimization method for the non-trivial
learning of the constrained model. Experiments showed that our method, without
cumbersome post-processing procedures, achieved the state-of-the-art
performance. The code is available at https://github.com/Yuehan717/PDASR.
- Abstract(参考訳): 画像超解像では、画素の精度と知覚忠実度の両方が望ましい。
しかし、ほとんどのディープラーニング手法は、知覚ゆがみのトレードオフのため、一つの面において高い性能を達成し、トレードオフのバランスをとる作業は、個別に訓練されたモデルとアドホックな後処理の結果に頼っている。
本稿では,低周波制約(lfc-sr)を持つ超解像モデルを提案する。このモデルでは,単一モデルを通して目的と知覚の質をバランスさせ,高psnrと知覚スコアを持つ超解像を生成する。
さらに、制約付きモデルの非自明な学習のためのADMMに基づく交互最適化手法を提案する。
実験の結果,提案手法は加工後処理の煩雑さを伴わず,最先端の性能を達成できた。
コードはhttps://github.com/yuehan717/pdasrで入手できる。
関連論文リスト
- SinSR: Diffusion-Based Image Super-Resolution in a Single Step [119.18813219518042]
拡散モデルに基づく超解像(SR)法は有望な結果を示す。
しかし、それらの実践的応用は、必要な推論ステップのかなりの数によって妨げられている。
本稿では,SinSRという単一ステップのSR生成を実現するための,シンプルで効果的な手法を提案する。
論文 参考訳(メタデータ) (2023-11-23T16:21:29Z) - ACDMSR: Accelerated Conditional Diffusion Models for Single Image
Super-Resolution [84.73658185158222]
本稿では,ACDMSRと呼ばれる拡散モデルに基づく超解像法を提案する。
提案手法は, 決定論的反復分解過程を通じて超解像を行うために, 標準拡散モデルに適応する。
提案手法は,低解像度画像に対してより視覚的に現実的な表現を生成し,現実的なシナリオにおけるその有効性を強調した。
論文 参考訳(メタデータ) (2023-07-03T06:49:04Z) - Deep Optimal Transport: A Practical Algorithm for Photo-realistic Image
Restoration [44.47246905244631]
事前学習したモデルの知覚的品質および/または平均二乗誤差(MSE)を制御できる画像復元アルゴリズムを提案する。
モデルによって復元された約1ダースの画像を考えると、新たな画像に対するモデルの知覚的品質と/またはMSEを、それ以上の訓練をすることなく大幅に向上させることができる。
論文 参考訳(メタデータ) (2023-06-04T12:21:53Z) - 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) - CDPMSR: Conditional Diffusion Probabilistic Models for Single Image
Super-Resolution [91.56337748920662]
拡散確率モデル(DPM)は画像から画像への変換において広く採用されている。
単純だが自明なDPMベースの超解像後処理フレームワーク,すなわちcDPMSRを提案する。
本手法は, 定性的および定量的な結果の両面において, 先行試行を超越した手法である。
論文 参考訳(メタデータ) (2023-02-14T15:13:33Z) - Deep Learning-Based Defect Classification and Detection in SEM Images [1.9206693386750882]
特に、異なるResNet、VGGNetアーキテクチャをバックボーンとして使用するRetinaNetモデルをトレーニングする。
そこで本研究では,異なるモデルからの出力予測を組み合わせることで,欠陥の分類と検出に優れた性能を実現するための選好に基づくアンサンブル戦略を提案する。
論文 参考訳(メタデータ) (2022-06-20T16:34:11Z) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳(メタデータ) (2021-12-05T04:36:09Z) - Perceptual Image Restoration with High-Quality Priori and Degradation
Learning [28.93489249639681]
本モデルは,復元画像と劣化画像の類似度を測定するのに有効であることを示す。
同時修復・拡張フレームワークは,実世界の複雑な分解型によく一般化する。
論文 参考訳(メタデータ) (2021-03-04T13:19:50Z) - 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。