Fugu-MT 論文翻訳(概要): HST: Hierarchical Swin Transformer for Compressed Image Super-resolution

論文の概要: HST: Hierarchical Swin Transformer for Compressed Image Super-resolution

arxiv url: http://arxiv.org/abs/2208.09885v1
Date: Sun, 21 Aug 2022 13:41:51 GMT
ステータス: 処理完了
システム内更新日: 2022-08-23 14:10:27.364715
Title: HST: Hierarchical Swin Transformer for Compressed Image Super-resolution
Title（参考訳）: hst: 圧縮画像超解像のための階層型スウィントランス
Authors: Bingchen Li, Xin Li, Yiting Lu, Sen Liu, Ruoyu Feng, Zhibo Chen
Abstract要約: 低解像度圧縮画像を復元する階層型スウィントランス (HST) ネットワークを提案する。我々のHSTは、低品質の圧縮画像超解像トラックにおけるAIM 2022の5位であり、PSNRは23.51dBである。
参考スコア（独自算出の注目度）: 26.589370745694502
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Compressed Image Super-resolution has achieved great attention in recent years, where images are degraded with compression artifacts and low-resolution artifacts. Since the complex hybrid distortions, it is hard to restore the distorted image with the simple cooperation of super-resolution and compression artifacts removing. In this paper, we take a step forward to propose the Hierarchical Swin Transformer (HST) network to restore the low-resolution compressed image, which jointly captures the hierarchical feature representations and enhances each-scale representation with Swin transformer, respectively. Moreover, we find that the pretraining with Super-resolution (SR) task is vital in compressed image super-resolution. To explore the effects of different SR pretraining, we take the commonly-used SR tasks (e.g., bicubic and different real super-resolution simulations) as our pretraining tasks, and reveal that SR plays an irreplaceable role in the compressed image super-resolution. With the cooperation of HST and pre-training, our HST achieves the fifth place in AIM 2022 challenge on the low-quality compressed image super-resolution track, with the PSNR of 23.51dB. Extensive experiments and ablation studies have validated the effectiveness of our proposed methods.
Abstract（参考訳）: 圧縮画像スーパーレゾリューションは近年注目されており、圧縮アーチファクトと低解像度アーティファクトで画像が劣化している。複雑なハイブリッド歪みのため、超解像と圧縮アーティファクトの簡易な協力により歪み像を復元することは困難である。本稿では,階層的特徴表現をそれぞれキャプチャし,スウィントランスによる各スケール表現を強化する低分解能圧縮画像を復元する階層的スウィントランス(hst)ネットワークを提案する。さらに,圧縮画像の超解像にはsr(pretraining with super- resolution)タスクが不可欠であることがわかった。異なるSR事前学習の効果を探るため、一般的に使用されるSRタスク(例えば、バイコビックおよび異なる実超解法シミュレーション)を事前訓練タスクとみなし、圧縮された画像超解法においてSRが不定の役割を果たすことを明らかにした。 HSTと事前学習の協力により,低画質画像超解像トラックにおけるAIM 2022チャレンジの5位を達成し,PSNRは23.51dBとなった。広範な実験とアブレーション研究により,提案手法の有効性が検証された。

関連論文リスト

FIPER: Generalizable Factorized Fields for Joint Image Compression and Super-Resolution [12.77409981295186]
本稿では,超解法(SR)と画像圧縮の統一表現(**Factorized Fields**)を提案する。まず、一般化可能な分解場のための係数バックボーンと基底スウィン変換器を含むSRモデルを導出する。次に、訓練されたSRモジュールの強い情報回復能力を圧縮パイプラインの先行機能として活用し、圧縮効率と詳細再構築の両方を改善した。
論文参考訳（メタデータ） (2024-10-23T17:59:57Z)
Gated Multi-Resolution Transfer Network for Burst Restoration and Enhancement [75.25451566988565]
低画質の原画像のバーストから空間的精度の高い高画質画像を再構成する新しいGated Multi-Resolution Transfer Network (GMTNet)を提案する。 5つのデータセットに関する詳細な実験分析は、我々のアプローチを検証し、バースト超解像、バーストデノイング、低照度バーストエンハンスメントのための最先端技術を設定する。
論文参考訳（メタデータ） (2023-04-13T17:54:00Z)
Self-Asymmetric Invertible Network for Compression-Aware Image Rescaling [6.861753163565238]
現実世界のアプリケーションでは、ほとんどの画像は伝送のために圧縮される。圧縮対応画像再スケーリングのための自己非対称可逆ネットワーク(SAIN)を提案する。
論文参考訳（メタデータ） (2023-03-04T08:33:46Z)
Swin2SR: SwinV2 Transformer for Compressed Image Super-Resolution and Restoration [71.6879432974126]
本稿では,画像超解像のためのSwinIRの改良を目的とした小説Swin Transformer V2について検討する。 JPEG圧縮アーティファクトの除去,画像超解像(古典的および軽量),圧縮画像超解像の3つの代表的な課題について実験を行った。実験の結果,Swin2SRはSwinIRのトレーニング収束と性能を向上させることができることがわかった。
論文参考訳（メタデータ） (2022-09-22T23:25:08Z)
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)
Hybrid Pixel-Unshuffled Network for Lightweight Image Super-Resolution [64.54162195322246]
畳み込みニューラルネットワーク(CNN)は画像超解像(SR)において大きな成功を収めたほとんどのディープCNNベースのSRモデルは、高い性能を得るために大量の計算を処理している。 SRタスクに効率的かつ効果的なダウンサンプリングモジュールを導入することで,HPUN(Hybrid Pixel-Unshuffled Network)を提案する。
論文参考訳（メタデータ） (2022-03-16T20:10:41Z)
SwinIR: Image Restoration Using Swin Transformer [124.8794221439392]
本研究では,Swin Transformerに基づく画像復元のための強力なベースラインモデルSwinIRを提案する。 SwinIRは、浅い特徴抽出、深い特徴抽出、高品質の画像再構成の3つの部分で構成されている。画像超解像、画像デノイング、JPEG圧縮アーティファクト削減の3つの代表的なタスクについて実験を行った。
論文参考訳（メタデータ） (2021-08-23T15:55:32Z)
SRWarp: Generalized Image Super-Resolution under Arbitrary Transformation [65.88321755969677]
ディープCNNは、単一の画像超解像を含む画像処理とそのアプリケーションで大きな成功を収めています。近年のアプローチでは、実測値のアップサンプリング要因にまで範囲を広げている。任意の画像変換に向けてSRタスクをさらに一般化するSRWarpフレームワークを提案する。
論文参考訳（メタデータ） (2021-04-21T02:50:41Z)

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。