論文の概要: Joint Learning Content and Degradation Aware Feature for Blind
Super-Resolution
- arxiv url: http://arxiv.org/abs/2208.13436v1
- Date: Mon, 29 Aug 2022 09:12:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-30 14:04:14.942135
- Title: Joint Learning Content and Degradation Aware Feature for Blind
Super-Resolution
- Title(参考訳): ブラインド超解像のための共同学習内容と劣化認識機能
- Authors: Yifeng Zhou, Chuming Lin, Donghao Luo, Yong Liu, Ying Tai, Chengjie
Wang, Mingang Chen
- Abstract要約: CDSRと呼ばれるコンテンツと劣化SRネットワークを提案する。
提案したCDSRは既存のUDPモデルより優れ,PSNRおよびSSIM上での競合性能を実現している。
- 参考スコア(独自算出の注目度): 37.99541178081113
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To achieve promising results on blind image super-resolution (SR), some
attempts leveraged the low resolution (LR) images to predict the kernel and
improve the SR performance. However, these Supervised Kernel Prediction (SKP)
methods are impractical due to the unavailable real-world blur kernels.
Although some Unsupervised Degradation Prediction (UDP) methods are proposed to
bypass this problem, the \textit{inconsistency} between degradation embedding
and SR feature is still challenging. By exploring the correlations between
degradation embedding and SR feature, we observe that jointly learning the
content and degradation aware feature is optimal. Based on this observation, a
Content and Degradation aware SR Network dubbed CDSR is proposed. Specifically,
CDSR contains three newly-established modules: (1) a Lightweight Patch-based
Encoder (LPE) is applied to jointly extract content and degradation features;
(2) a Domain Query Attention based module (DQA) is employed to adaptively
reduce the inconsistency; (3) a Codebook-based Space Compress module (CSC) that
can suppress the redundant information. Extensive experiments on several
benchmarks demonstrate that the proposed CDSR outperforms the existing UDP
models and achieves competitive performance on PSNR and SSIM even compared with
the state-of-the-art SKP methods.
- Abstract(参考訳): ブラインド画像超解像(SR)における有望な結果を達成するために、低解像度(LR)画像を利用してカーネルを予測し、SR性能を向上させる試みがある。
しかし、これらのSupervised Kernel Prediction (SKP) 法は、現実のぼかしカーネルが利用できないために実用的ではない。
非教師付き劣化予測法 (UDP) ではこの問題を回避する方法が提案されているが, 劣化埋め込みとSR特徴との間の「textit{insistency}」はいまだに困難である。
劣化埋め込みとsr特徴の相関を探究することにより,コンテンツの学習と劣化認識機能の協調が最適であることを観察する。
本研究は,CDSRと呼ばれるコンテンツと劣化を考慮したSRネットワークを提案する。
具体的には、新たに確立された3つのモジュール:(1)ライトウェイトなパッチベースエンコーダ(lpe)を適用してコンテンツと劣化特性を共同抽出する、(2)ドメインクエリアテンションベースモジュール(dqa)を使用して不整合を適応的に低減する、(3)冗長な情報を抑制するコードブックベースのスペース圧縮モジュール(csc)。
いくつかのベンチマークにおいて、提案したCDSRは既存のUDPモデルよりも優れており、最先端のSKP手法と比較してPSNRとSSIMの競争性能が向上することを示した。
関連論文リスト
- Embedding Similarity Guided License Plate Super Resolution [4.315486098289241]
本研究では,ピクセルベース損失と埋め込み類似性学習を組み合わせた新しいフレームワークを提案し,ライセンスプレート超解像(LPSR)の課題に対処する。
導入されたピクセルと埋め込み整合性損失(PECL)は、シームズネットワークを統合し、コントラスト損失を適用して埋め込み類似性を強制し、知覚的および構造的忠実性を改善する。
論文 参考訳(メタデータ) (2025-01-02T18:42:07Z) - Content-decoupled Contrastive Learning-based Implicit Degradation Modeling for Blind Image Super-Resolution [33.16889233975723]
急激な劣化モデルに基づくブラインド・スーパーレゾリューション(SR)は、コミュニティで注目を集めている。
本稿では,CdCL(Content-decoupled Contrastive Learning-based blind image super- resolution)フレームワークを提案する。
論文 参考訳(メタデータ) (2024-08-10T04:51:43Z) - Exploiting Self-Supervised Constraints in Image Super-Resolution [72.35265021054471]
本稿では,SSC-SRと呼ばれる単一画像超解像のための新しい自己監督制約を提案する。
SSC-SRは、安定性を高めるために指数移動平均によって更新された二重非対称パラダイムとターゲットモデルを用いることで、画像の複雑さのばらつきに一意に対処する。
SSC-SRフレームワークはさまざまなベンチマークデータセットに対して,EDSR平均0.1dB,SwinIR平均0.06dBの大幅な拡張を実現している。
論文 参考訳(メタデータ) (2024-03-30T06:18:50Z) - Bridging Component Learning with Degradation Modelling for Blind Image
Super-Resolution [69.11604249813304]
視覚障害者のためのコンポーネント分解・協調最適化ネットワーク(CDCN)を提案する。
CDCNは入力LR画像を特徴空間の構造と詳細成分に分解する。
本稿では,HR画像の細部と構造復元過程を協調的に監督する,劣化駆動型学習戦略を提案する。
論文 参考訳(メタデータ) (2022-12-03T14:53:56Z) - 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) - Meta-Learning based Degradation Representation for Blind
Super-Resolution [54.93926549648434]
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。
論文 参考訳(メタデータ) (2022-07-28T09:03:00Z) - 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) - 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) - Blind Image Super-Resolution via Contrastive Representation Learning [41.17072720686262]
マルチモーダルおよび空間変動分布を持つ画像のブラインドSRに着目したコントラスト表現学習ネットワークを設計する。
提案したCRL-SRは,ブラインド設定下でのマルチモーダル・空間変動劣化を効果的に処理可能であることを示す。
また、最先端のSR手法を質的に、定量的に上回る。
論文 参考訳(メタデータ) (2021-07-01T19:34:23Z) - Lightweight image super-resolution with enhanced CNN [82.36883027158308]
強い表現力を持つ深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像(SISR)において印象的な性能を達成した
情報抽出・拡張ブロック(IEEB)、再構築ブロック(RB)、情報精製ブロック(IRB)の3つの連続したサブブロックを持つ軽量拡張SR CNN(LESRCNN)を提案する。
IEEBは階層的低分解能(LR)特徴を抽出し、SISRの深い層上の浅い層の記憶能力を高めるために、得られた特徴を段階的に集約する。
RBはグローバルに拡散することで低周波特徴を高周波特徴に変換する
論文 参考訳(メタデータ) (2020-07-08T18:03:40Z)
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。