論文の概要: Edge-oriented Implicit Neural Representation with Channel Tuning

• arxiv url: http://arxiv.org/abs/2209.11697v1
• Date: Thu, 22 Sep 2022 01:01:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-26 13:34:29.913582
• Title: Edge-oriented Implicit Neural Representation with Channel Tuning
• Title（参考訳）: チャネルチューニングによるエッジ指向インプシットニューラル表現
• Authors: Wonjoon Chang, Dahee Kwon, Bumjin Park
• Abstract要約: 入射神経表現は、イメージを離散格子形式ではなく連続関数として表現する。 暗黙の表現を訓練するための画像の勾配を計算するグラディエント・マグニチュード調整アルゴリズムを提案する。 また、鮮明なエッジで画像を再構成できるエッジ指向表現ネットワーク(EoREN)を提案する。
• 参考スコア（独自算出の注目度）: 1.6114012813668934
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Implicit neural representation, which expresses an image as a continuous function rather than a discrete grid form, is widely used for image processing. Despite its outperforming results, there are still remaining limitations on restoring clear shapes of a given signal such as the edges of an image. In this paper, we propose Gradient Magnitude Adjustment algorithm which calculates the gradient of an image for training the implicit representation. In addition, we propose Edge-oriented Representation Network (EoREN) that can reconstruct the image with clear edges by fitting gradient information (Edge-oriented module). Furthermore, we add Channel-tuning module to adjust the distribution of given signals so that it solves a chronic problem of fitting gradients. By separating backpropagation paths of the two modules, EoREN can learn true color of the image without hindering the role for gradients. We qualitatively show that our model can reconstruct complex signals and demonstrate general reconstruction ability of our model with quantitative results.
• Abstract（参考訳）: 離散格子形式ではなく連続関数として画像を表現した入射神経表現は、画像処理に広く用いられている。 優れた結果にもかかわらず、画像のエッジのような特定の信号の明確な形状の復元には依然として制限が残っている。 本稿では,暗黙の表現を訓練するための画像の勾配を計算するグラディエント・マグニチュード調整アルゴリズムを提案する。 さらに,勾配情報(エッジ指向モジュール)を適合させることで,鮮明なエッジで画像を再構成できるエッジ指向表現ネットワーク(eoren)を提案する。 さらに、所定の信号の分布を調整するためにチャネルチューニングモジュールを追加し、適応勾配の慢性的な問題を解決する。 2つのモジュールのバックプロパゲーションパスを分離することで、EoRENは勾配の役割を妨げることなく、画像の真の色を学ぶことができる。 我々は,複雑な信号の再構成を行い,定量的な結果によってモデル全体の再構築能力を示すことを定性的に示す。

関連論文リスト

• Solving General Noisy Inverse Problem via Posterior Sampling: A Policy Gradient Viewpoint [21.22750301965104]
  本研究では,事前学習した拡散生成モデルを用いて,タスク固有モデルによる微調整を伴わずに,幅広い画像逆タスクを解く。 入力画像の誘導スコア関数を正確に推定するために,拡散ポリシー勾配(DPG)を提案する。 実験により,複数の線形および非線形の逆問題に対するガウス雑音とポアソン雑音の両方に対して,本手法は頑健であることが示された。
  論文  参考訳（メタデータ） (2024-03-15T16:38:47Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• RecRecNet: Rectangling Rectified Wide-Angle Images by Thin-Plate Spline Model and DoF-based Curriculum Learning [62.86400614141706]
  我々はRecRecNet(Rectangling Rectification Network)という新しい学習モデルを提案する。 我々のモデルは、ソース構造をターゲット領域に柔軟にワープし、エンドツーエンドの非教師なし変形を実現する。 実験により, 定量評価と定性評価の両面において, 比較法よりも解法の方が優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-04T15:12:57Z)
• Invertible Rescaling Network and Its Extensions [118.72015270085535]
  本研究では,新たな視点から双方向の劣化と復元をモデル化する,新しい可逆的枠組みを提案する。 我々は、有効な劣化画像を生成し、失われたコンテンツの分布を変換する可逆モデルを開発する。 そして、ランダムに描画された潜在変数とともに、生成された劣化画像に逆変換を適用することにより、復元可能とする。
  論文  参考訳（メタデータ） (2022-10-09T06:58:58Z)
• Effective Invertible Arbitrary Image Rescaling [77.46732646918936]
  Invertible Neural Networks (INN)は、ダウンスケーリングとアップスケーリングのサイクルを共同で最適化することにより、アップスケーリングの精度を大幅に向上させることができる。 本研究の1つのモデルのみをトレーニングすることにより、任意の画像再スケーリングを実現するために、単純で効果的な非可逆的再スケーリングネットワーク(IARN)を提案する。 LR出力の知覚品質を損なうことなく、双方向任意再スケーリングにおいて最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2022-09-26T22:22:30Z)
• Deep Generalized Unfolding Networks for Image Restoration [16.943609020362395]
  画像復元のためのDeep Generalized Unfolding Network (DGUNet)を提案する。 我々は、勾配推定戦略をPGDアルゴリズムの勾配降下ステップに統合する。 我々の手法は、最先端の性能、解釈可能性、一般化可能性の点で優れている。
  論文  参考訳（メタデータ） (2022-04-28T08:39:39Z)
• GraDIRN: Learning Iterative Gradient Descent-based Energy Minimization for Deformable Image Registration [9.684786294246749]
  変形可能な画像登録を学習するためのGraDIRN(Gradient Descent-based Image Registration Network)を提案する。 GraDIRNは多分解能勾配降下エネルギー最小化に基づいている。 本手法は,学習可能なパラメータを少なく抑えながら,最先端の登録性能を実現することを実証する。
  論文  参考訳（メタデータ） (2021-12-07T14:48:31Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
  本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。 解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
  論文  参考訳（メタデータ） (2020-10-21T20:04:22Z)

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。