論文の概要: MMSR: Multiple-Model Learned Image Super-Resolution Benefiting From
Class-Specific Image Priors
- arxiv url: http://arxiv.org/abs/2209.08568v1
- Date: Sun, 18 Sep 2022 13:28:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 17:25:14.737014
- Title: MMSR: Multiple-Model Learned Image Super-Resolution Benefiting From
Class-Specific Image Priors
- Title（参考訳）: MMSR:複数モデルで学習した画像の高解像度化
- Authors: Cansu Korkmaz, A.Murat Tekalp, Zafer Dogan
- Abstract要約: 一般に、単一の画像超解像(SR)モデルは、あらゆる種類の画像コンテンツに対してうまく一般化できない。
画像の異なるクラス(テキスト、テクスチャなど)に対して複数のSRモデルをトレーニングし、クラス固有の画像の事前利用が最先端の汎用SRモデルの性能を上回ることを示す。
- 参考スコア（独自算出の注目度）: 8.80688035831646
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Assuming a known degradation model, the performance of a learned image
super-resolution (SR) model depends on how well the variety of image
characteristics within the training set matches those in the test set. As a
result, the performance of an SR model varies noticeably from image to image
over a test set depending on whether characteristics of specific images are
similar to those in the training set or not. Hence, in general, a single SR
model cannot generalize well enough for all types of image content. In this
work, we show that training multiple SR models for different classes of images
(e.g., for text, texture, etc.) to exploit class-specific image priors and
employing a post-processing network that learns how to best fuse the outputs
produced by these multiple SR models surpasses the performance of
state-of-the-art generic SR models. Experimental results clearly demonstrate
that the proposed multiple-model SR (MMSR) approach significantly outperforms a
single pre-trained state-of-the-art SR model both quantitatively and visually.
It even exceeds the performance of the best single class-specific SR model
trained on similar text or texture images.
- Abstract（参考訳）: 既知の劣化モデルと仮定すると、学習画像超解像(SR)モデルの性能は、トレーニングセット内の様々な画像特性がテストセットのそれとどの程度うまく一致しているかに依存する。
その結果、srモデルの性能は、特定の画像の特性がトレーニングセットのものと類似しているか否かによって、テストセットよりも画像ごとに顕著に変化する。
したがって、一般に、単一のSRモデルはあらゆる種類の画像コンテンツに対して十分に一般化できない。
本研究では,複数のSRモデルが生成する出力を最もよく融合する方法を学習する後処理ネットワークを用いて,画像の異なるクラス(テキスト,テクスチャなど)に対する複数のSRモデルのトレーニングを行うことで,最先端の汎用SRモデルの性能を上回っていることを示す。
実験結果から,提案手法は1つの事前学習状態SRモデルに対して,定量的かつ視覚的に有意に優れることが示された。
同様のテキストやテクスチャイメージでトレーニングされた、最高のシングルクラス固有のsrモデルのパフォーマンスを超えている。
関連論文リスト
- Rethinking Image Super-Resolution from Training Data Perspectives [54.28824316574355]
画像超解像(SR)におけるトレーニングデータの効果について検討する。
そこで我々は,自動画像評価パイプラインを提案する。
その結果, (i) 圧縮アーチファクトの少ないデータセット, (ii) 被写体数によって判断される画像内多様性の高いデータセット, (iii) ImageNet や PASS からの大量の画像がSR性能に肯定的な影響を与えることがわかった。
論文 参考訳（メタデータ） (2024-09-01T16:25:04Z) - Boosting Flow-based Generative Super-Resolution Models via Learned Prior [8.557017814978334]
フローベース超解像(SR)モデルは、高品質な画像を生成する際に驚くべき能力を示した。
これらの手法は、グリッドアーティファクト、爆発する逆数、固定サンプリング温度による最適以下の結果など、画像生成中にいくつかの課題に遭遇する。
本研究では、フローベースSRモデルの推論フェーズ前に学習した条件を導入する。
論文 参考訳（メタデータ） (2024-03-16T18:04:12Z) - 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) - 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) - Flexible Style Image Super-Resolution using Conditional Objective [11.830754741007029]
マルチタスク学習の利点を生かして、単一調整可能なSRモデルを様々な損失の組み合わせで訓練するより効率的な方法を提案する。
具体的には、訓練中に条件付き目的を持つSRモデルを最適化し、目的は異なる特徴レベルにおける複数の知覚的損失の重み付け和である。
推論フェーズにおいて、トレーニングされたモデルは、スタイル制御マップに条件付きで、局所的に異なる出力を生成することができる。
論文 参考訳（メタデータ） (2022-01-13T11:39:29Z) - Hierarchical Conditional Flow: A Unified Framework for Image
Super-Resolution and Image Rescaling [139.25215100378284]
画像SRと画像再スケーリングのための統合フレームワークとして階層的条件フロー(HCFlow)を提案する。
HCFlowは、LR画像と残りの高周波成分の分布を同時にモデル化することにより、HRとLR画像ペア間のマッピングを学習する。
さらに性能を高めるために、知覚的損失やGAN損失などの他の損失と、トレーニングで一般的に使用される負の対数類似損失とを組み合わせる。
論文 参考訳（メタデータ） (2021-08-11T16:11:01Z) - 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) - 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。