論文の概要: RZSR: Reference-based Zero-Shot Super-Resolution with Depth Guided Self-Exemplars

• arxiv url: http://arxiv.org/abs/2208.11313v1
• Date: Wed, 24 Aug 2022 05:48:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-25 12:48:04.438797
• Title: RZSR: Reference-based Zero-Shot Super-Resolution with Depth Guided Self-Exemplars
• Title（参考訳）: RZSR:Depth Guided Self-Exemplarsを用いた参照型ゼロショット超解法
• Authors: Jun-Sang Yoo, Dong-Wook Kim, Yucheng Lu, and Seung-Won Jung
• Abstract要約: 低分解能(LR)画像から高分解能(HR)画像を生成する上で,SISRは優れた性能を示した。 参照ベースゼロショットSR(RZSR)と呼ばれる統合解を提案する。
• 参考スコア（独自算出の注目度）: 20.771851470271777
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent methods for single image super-resolution (SISR) have demonstrated outstanding performance in generating high-resolution (HR) images from low-resolution (LR) images. However, most of these methods show their superiority using synthetically generated LR images, and their generalizability to real-world images is often not satisfactory. In this paper, we pay attention to two well-known strategies developed for robust super-resolution (SR), i.e., reference-based SR (RefSR) and zero-shot SR (ZSSR), and propose an integrated solution, called reference-based zero-shot SR (RZSR). Following the principle of ZSSR, we train an image-specific SR network at test time using training samples extracted only from the input image itself. To advance ZSSR, we obtain reference image patches with rich textures and high-frequency details which are also extracted only from the input image using cross-scale matching. To this end, we construct an internal reference dataset and retrieve reference image patches from the dataset using depth information. Using LR patches and their corresponding HR reference patches, we train a RefSR network that is embodied with a non-local attention module. Experimental results demonstrate the superiority of the proposed RZSR compared to the previous ZSSR methods and robustness to unseen images compared to other fully supervised SISR methods.
• Abstract（参考訳）: 近年,低分解能 (LR) 画像から高分解能 (HR) 画像を生成する方法として, SISR法が注目されている。 しかし,これらの手法の多くは合成LR画像による優位性を示し,実世界の画像への一般化性はしばしば満足できない。 本稿では、ロバスト・スーパーレゾリューション(SR)、すなわち参照ベースSR(RefSR)とゼロショットSR(ZSSR)のためのよく知られた2つの戦略に注目し、参照ベースゼロショットSR(RZSR)と呼ばれる統合ソリューションを提案する。 ZSSRの原則に従い、入力画像からのみ抽出したトレーニングサンプルを用いて、テスト時に画像固有SRネットワークを訓練する。 ZSSRを前進させるためには, クロススケールマッチングを用いて入力画像からのみ抽出される, リッチテクスチャと高周波の詳細を持つ参照画像パッチを得る。 この目的のために,内部参照データセットを構築し,奥行き情報を用いてデータセットから参照画像パッチを取得する。 LRパッチとそれに対応するHR参照パッチを用いて、非ローカルアテンションモジュールを具体化したRefSRネットワークをトレーニングする。 実験の結果,従来のzssr法と比較して提案手法が優れていること,非検出画像に対するロバスト性が他の完全教師付きsisr法と比較して示された。

関連論文リスト

• Unveiling Hidden Details: A RAW Data-Enhanced Paradigm for Real-World Super-Resolution [56.98910228239627]
  リアル・ワールド・イメージ・スーパーレゾリューション(Real SR)は、低解像度(LR)画像から高忠実でディテールに富んだ高解像度(HR)画像を生成することを目的としている。 既存のReal SRメソッドは主にLR RGBドメインから詳細を生成することに重点を置いており、しばしば細部における豊かさや忠実さの欠如につながっている。 RAWデータに隠された詳細を用いて既存のRGBのみの手法を補完し、優れた出力を得る。
  論文  参考訳（メタデータ） (2024-11-16T13:29:50Z)
• Bridging the Domain Gap: A Simple Domain Matching Method for Reference-based Image Super-Resolution in Remote Sensing [8.36527949191506]
  近年、参照ベース画像超解像(RefSR)は、画像超解像(SR)タスクにおいて優れた性能を示している。 既存のRefSRモデルとシームレスに統合可能なドメインマッチング(DM)モジュールを導入する。 我々の分析では、これらの領域のギャップは異なる衛星でしばしば生じており、我々のモデルはこれらの課題に効果的に対処している。
  論文  参考訳（メタデータ） (2024-01-29T08:10:00Z)
• Learning Many-to-Many Mapping for Unpaired Real-World Image Super-resolution and Downscaling [60.80788144261183]
  実世界のLR画像とHR画像の双方向多対多マッピングを教師なしで同時に学習するSDFlowと呼ばれる画像ダウンスケーリングとSRモデルを提案する。 実世界の画像SRデータセットによる実験結果から,SDFlowは定量的かつ定性的に,多様な現実的なLRとSRの画像を生成可能であることが示唆された。
  論文  参考訳（メタデータ） (2023-10-08T01:48:34Z)
• SRTGAN: Triplet Loss based Generative Adversarial Network for Real-World Super-Resolution [13.897062992922029]
  SISR(Single Image Super-Resolution)と呼ばれる別のソリューションは、低解像度(LR)画像を取得し、HR画像を取得することを目的としたソフトウェア駆動のアプローチである。 我々は、LR画像に提供される情報を負のサンプルとして利用することで、新たな三重項に基づく対向損失関数を導入する。 本稿では, 対向的損失, 内容的損失, 知覚的損失, 品質的損失を融合させて, 知覚的忠実度の高い超解像を得る。
  論文  参考訳（メタデータ） (2022-11-22T11:17:07Z)
• RRSR:Reciprocal Reference-based Image Super-Resolution with Progressive Feature Alignment and Selection [66.08293086254851]
  本稿では,RefSRネットワークの学習を強化するための相互学習フレームワークを提案する。 新たに提案したモジュールは,マルチスケールの特徴空間に参照入力画像をアライメントし,参照認識機能の選択を行う。 我々は,最近のRefSRモデルが相互学習パラダイムによって一貫した改善が可能であることを実証的に示す。
  論文  参考訳（メタデータ） (2022-11-08T12:39:35Z)
• Real Image Super-Resolution using GAN through modeling of LR and HR process [20.537597542144916]
  LRモデルとSRモデルに組み込んだ学習可能な適応正弦波非線形性を提案し,分解分布を直接学習する。 定量的および定性的な実験において提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-10-19T09:23:37Z)
• Reference-based Image Super-Resolution with Deformable Attention Transformer [62.71769634254654]
  RefSRは、補助参照(Ref)画像を超解像低解像度(LR)画像に活用することを目的としている。 本稿では,複数のスケールを持つ変形可能なアテンション変換器,すなわちDATSRを提案する。 DATSRがベンチマークデータセット上で最先端のパフォーマンスを達成することを示す実験を行った。
  論文  参考訳（メタデータ） (2022-07-25T07:07:00Z)
• MASA-SR: Matching Acceleration and Spatial Adaptation for Reference-Based Image Super-Resolution [74.24676600271253]
  本稿では、RefSRのためのMASAネットワークを提案し、これらの問題に対処するために2つの新しいモジュールを設計する。 提案したMatch & extract Moduleは、粗大な対応マッチング方式により計算コストを大幅に削減する。 空間適応モジュールは、LR画像とRef画像の分布の差を学習し、Ref特徴の分布を空間適応的にLR特徴の分布に再マップする。
  論文  参考訳（メタデータ） (2021-06-04T07:15:32Z)
• DDet: Dual-path Dynamic Enhancement Network for Real-World Image Super-Resolution [69.2432352477966]
  実画像超解像(Real-SR)は、実世界の高分解能画像(HR)と低分解能画像(LR)の関係に焦点を当てている。 本稿では,Real-SRのためのデュアルパス動的拡張ネットワーク(DDet)を提案する。 特徴表現のための大規模な畳み込みブロックを積み重ねる従来の手法とは異なり、非一貫性のある画像対を研究するためのコンテンツ認識フレームワークを導入する。
  論文  参考訳（メタデータ） (2020-02-25T18:24:51Z)

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。