論文の概要: Deep Fourier Up-Sampling

• arxiv url: http://arxiv.org/abs/2210.05171v1
• Date: Tue, 11 Oct 2022 06:17:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 16:13:53.746459
• Title: Deep Fourier Up-Sampling
• Title（参考訳）: Deep Fourier Up-Sampling
• Authors: Man Zhou, Hu Yu, Jie Huang, Feng Zhao, Jinwei Gu, Chen Change Loy, Deyu Meng, Chongyi Li
• Abstract要約: フーリエ領域のアップサンプリングは、そのような局所的な性質に従わないため、より難しい。 これらの問題を解決するために理論的に健全なDeep Fourier Up-Sampling (FourierUp)を提案する。
• 参考スコア（独自算出の注目度）: 100.59885545206744
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing convolutional neural networks widely adopt spatial down-/up-sampling for multi-scale modeling. However, spatial up-sampling operators (\emph{e.g.}, interpolation, transposed convolution, and un-pooling) heavily depend on local pixel attention, incapably exploring the global dependency. In contrast, the Fourier domain obeys the nature of global modeling according to the spectral convolution theorem. Unlike the spatial domain that performs up-sampling with the property of local similarity, up-sampling in the Fourier domain is more challenging as it does not follow such a local property. In this study, we propose a theoretically sound Deep Fourier Up-Sampling (FourierUp) to solve these issues. We revisit the relationships between spatial and Fourier domains and reveal the transform rules on the features of different resolutions in the Fourier domain, which provide key insights for FourierUp's designs. FourierUp as a generic operator consists of three key components: 2D discrete Fourier transform, Fourier dimension increase rules, and 2D inverse Fourier transform, which can be directly integrated with existing networks. Extensive experiments across multiple computer vision tasks, including object detection, image segmentation, image de-raining, image dehazing, and guided image super-resolution, demonstrate the consistent performance gains obtained by introducing our FourierUp.
• Abstract（参考訳）: 既存の畳み込みニューラルネットワークは、マルチスケールモデリングに空間ダウン/アップサンプリングを広く採用している。 しかし、空間的なアップサンプリング演算子(補間、変換畳み込み、アンプール)は局所的なピクセルの注意に大きく依存し、グローバル依存を探求することができない。 対照的に、フーリエ領域は、スペクトル畳み込み定理に従って大域的モデリングの性質に従う。 局所的類似性の性質をアップサンプリングする空間領域とは異なり、フーリエ領域におけるアップサンプリングはそのような局所的性質に従わないため、より困難である。 本研究では,これらの問題を解決するために,理論上より深いフーリエアップサンプリング(フーリエアップ)を提案する。 空間領域とフーリエ領域の関係を再検討し、フーリエ領域における異なる解像度の特徴に関する変換規則を明らかにし、フーリエアップの設計に重要な洞察を与える。 一般作用素としてのフーリエアップは、2次元離散フーリエ変換、フーリエ次元増加規則、2次元逆フーリエ変換という3つの重要な要素から構成され、既存のネットワークと直接統合できる。 物体検出,画像分割,画像デレイジング,画像デハージング,誘導画像超解像など,複数のコンピュータビジョンタスクにわたる広範囲な実験を行い,フーリエアップの導入により得られた一貫した性能向上を実証した。

関連論文リスト

• Neural Fourier Modelling: A Highly Compact Approach to Time-Series Analysis [9.969451740838418]
  時系列解析のためのコンパクトで強力なソリューションであるニューラルフーリエモデリング(NFM)を導入する。 NFM はフーリエ変換 (FT) の2つの重要な性質 (i) 有限長時系列をフーリエ領域の関数としてモデル化する能力 (ii) フーリエ領域内のデータ操作の能力 (ii) に基礎を置いている。 NFMは幅広いタスクで最先端のパフォーマンスを達成しており、テスト時にこれまで見つからなかったサンプリングレートを持つ時系列シナリオに挑戦する。
  論文  参考訳（メタデータ） (2024-10-07T02:39:55Z)
• F2former: When Fractional Fourier Meets Deep Wiener Deconvolution and Selective Frequency Transformer for Image Deblurring [8.296475046681696]
  本稿では、空間周波数の統一表現であるFRFT(Fractional Fourier Transform)に基づく新しい手法を提案する。 提案手法の性能は,他のSOTA手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-03T17:05:12Z)
• FourierMamba: Fourier Learning Integration with State Space Models for Image Deraining [71.46369218331215]
  Image derainingは雨が降る画像から雨の跡を取り除き、透明な背景を復元することを目的としている。 本稿では,FourierMambaという新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-29T18:58:59Z)
• FourLLIE: Boosting Low-Light Image Enhancement by Fourier Frequency Information [19.478293277978935]
  2段階フーリエ型低光画像強調(LLIE)ネットワーク(FourLLIE)を提案する。 第1段階では、フーリエ空間の振幅変換マップを推定することにより、低照度画像の明るさを改善する。 第2段階では、グローバルフーリエ周波数と局所空間情報を統合するための事前情報を提供するために、SNR(Signal-to-Noise-Ratio)マップを導入する。
  論文  参考訳（メタデータ） (2023-08-06T06:14:14Z)
• Fourier-Net+: Leveraging Band-Limited Representation for Efficient 3D Medical Image Registration [62.53130123397081]
  U-Netスタイルのネットワークは、高密度変位場を予測するために、教師なし画像登録に一般的に利用される。 まず,コストのかかるU-Netスタイルの拡張パスをパラメータフリーモデル駆動デコーダに置き換えるFourier-Netを提案する。 次に、Fourier-Net+を導入し、さらに画像の帯域制限空間表現を入力とし、U-Netスタイルのネットワークの収縮経路における畳み込み層の数を減少させる。
  論文  参考訳（メタデータ） (2023-07-06T13:57:12Z)
• Fourier-Net: Fast Image Registration with Band-limited Deformation [16.894559169947055]
  教師なし画像登録では、全解像度空間領域における密度変位場を予測するためにU-Netスタイルのネットワークが一般的である。 本稿では,パラメータフリーモデル駆動デコーダを用いて,U-Netスタイルネットワークにおける拡張パスを置き換えるフーリエネットを提案する。
  論文  参考訳（メタデータ） (2022-11-29T16:24:06Z)
• Fourier Disentangled Space-Time Attention for Aerial Video Recognition [54.80846279175762]
  本稿では,UAVビデオ行動認識のためのFAR(Fourier Activity Recognition)アルゴリズムを提案する。 我々の定式化は、人間のエージェントを背景から自然に分離するために、新しいフーリエオブジェクト・ディコンタングルメント法を用いています。 我々はUAV Human RGB、UAV Human Night、Drone Action、NEC Droneを含む複数のUAVデータセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2022-03-21T01:24:53Z)
• Seeing Implicit Neural Representations as Fourier Series [13.216389226310987]
  Inlicit Neural Representation (INR)は低次元問題領域における高周波関数を表現するために多層パーセプトロンを使用する。 これらの表現は、複雑な3Dオブジェクトやシーンに関連するタスクについて、最先端の結果を得た。 この研究は2つの方法間の接続を分析し、フーリエ写像されたパーセプトロンが構造的に1つの隠蔽層SIRENと似ていることを示す。
  論文  参考訳（メタデータ） (2021-09-01T08:40:20Z)
• A Fourier-based Framework for Domain Generalization [82.54650565298418]
  ドメインの一般化は、複数のソースドメインから伝達可能な知識を学習して、未確認のターゲットドメインに一般化することでこの問題に対処することを目的としている。 本稿では、ドメイン一般化のための新しいフーリエに基づく視点を紹介する。 3つのベンチマーク実験により,提案手法は領域一般化のための最先端性能を実現することができることを示した。
  論文  参考訳（メタデータ） (2021-05-24T06:50:30Z)
• Learning Set Functions that are Sparse in Non-Orthogonal Fourier Bases [73.53227696624306]
  フーリエスパース集合関数を学習するための新しいアルゴリズム群を提案する。 Walsh-Hadamard変換に焦点をあてた他の研究とは対照的に、我々の新しいアルゴリズムは最近導入された非直交フーリエ変換で機能する。 いくつかの実世界のアプリケーションで有効性を示す。
  論文  参考訳（メタデータ） (2020-10-01T14:31:59Z)

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。