論文の概要: Blind Super-Resolution for Remote Sensing Images via Conditional
Stochastic Normalizing Flows
- arxiv url: http://arxiv.org/abs/2210.07751v1
- Date: Fri, 14 Oct 2022 12:37:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 17:56:29.717549
- Title: Blind Super-Resolution for Remote Sensing Images via Conditional
Stochastic Normalizing Flows
- Title(参考訳): 条件付き確率正規化流によるリモートセンシング画像のブラインド超解像
- Authors: Hanlin Wu, Ning Ni, Shan Wang, Libao Zhang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 14.882417028542855
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Remote sensing images (RSIs) in real scenes may be disturbed by multiple
factors such as optical blur, undersampling, and additional noise, resulting in
complex and diverse degradation models. At present, the mainstream SR
algorithms only consider a single and fixed degradation (such as bicubic
interpolation) and cannot flexibly handle complex degradations in real scenes.
Therefore, designing a super-resolution (SR) model that can cope with various
degradations is gradually attracting the attention of researchers. Some studies
first estimate the degradation kernels and then perform degradation-adaptive SR
but face the problems of estimation error amplification and insufficient
high-frequency details in the results. Although blind SR algorithms based on
generative adversarial networks (GAN) have greatly improved visual quality,
they still suffer from pseudo-texture, mode collapse, and poor training
stability. In this article, we propose a novel blind SR framework based on the
stochastic normalizing flow (BlindSRSNF) to address the above problems.
BlindSRSNF learns the conditional probability distribution over the
high-resolution image space given a low-resolution (LR) image by explicitly
optimizing the variational bound on the likelihood. BlindSRSNF is easy to train
and can generate photo-realistic SR results that outperform GAN-based models.
Besides, we introduce a degradation representation strategy based on
contrastive learning to avoid the error amplification problem caused by the
explicit degradation estimation. Comprehensive experiments show that the
proposed algorithm can obtain SR results with excellent visual perception
quality on both simulated LR and real-world RSIs.
- Abstract(参考訳): リアルシーンにおけるリモートセンシング画像(RSI)は、光学的ぼかし、アンダーサンプリング、追加ノイズなどの複数の要因によって妨害され、複雑で多様な劣化モデルをもたらす。
現在、主流のsrアルゴリズムは、単一かつ固定的な分解(ビキューブ補間など)しか考慮せず、実際のシーンで複雑な劣化を柔軟に処理できない。
そのため、様々な劣化に対処できるスーパーレゾリューション(sr)モデルの設計が徐々に研究者の注目を集めている。
いくつかの研究は、まず劣化核を推定し、次に分解適応srを実行するが、推定誤差増幅の問題と、結果の高周波詳細が不十分である。
generative adversarial networks (gan)に基づくブラインドsrアルゴリズムは、視覚品質を大幅に向上させたが、依然として擬似テクスチャ、モード崩壊、トレーニング安定性の低下に苦しめられている。
本稿では、上記の問題に対処する確率正規化フロー(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。
BlindSRSNFは訓練が容易で、GANベースのモデルを上回るフォトリアリスティックSR結果を生成することができる。
また,明示的な劣化推定による誤り増幅問題を回避するために,コントラスト学習に基づく劣化表現戦略を導入する。
総合的な実験により,提案アルゴリズムは,実世界と実世界の両方のRSIにおいて,優れた視覚的知覚品質を有するSR結果が得られることを示した。
関連論文リスト
- Learning Correction Errors via Frequency-Self Attention for Blind Image
Super-Resolution [1.734165485480267]
我々は,LCE(Learning Correction Errors)に着目した新しいブラインドSR手法を提案する。
SRネットワーク内では、元のLR画像とCLR画像の周波数学習の両方を利用して、SR性能を協調的に最適化する。
提案手法は,劣化推定と補正誤差に関連する課題を効果的に解決し,より正確なブラインド画像SRへの道を開く。
論文 参考訳(メタデータ) (2024-03-12T07:58:14Z) - 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) - DCS-RISR: Dynamic Channel Splitting for Efficient Real-world Image
Super-Resolution [15.694407977871341]
実世界の画像超解像(RISR)は、未知の複雑な劣化下でのSR画像の品質向上に重点を置いている。
既存の手法は、分解レベルが異なる低解像度(LR)画像を強化するために重いSRモデルに依存している。
本稿では,DCS-RISRと呼ばれる高効率リアルタイム画像超解法のための動的チャネル分割方式を提案する。
論文 参考訳(メタデータ) (2022-12-15T04:34:57Z) - 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) - 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) - 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) - 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) - Unsupervised Degradation Representation Learning for Blind
Super-Resolution [27.788488575616032]
CNNベースのスーパーリゾリューション(SR)手法は、実際の劣化が仮定と異なる場合に深刻なパフォーマンス低下を被る。
明示的な劣化推定を伴わない盲点SRのための教師なし劣化表現学習手法を提案する。
我々のネットワークは、ブラインドSRタスクの最先端性能を達成する。
論文 参考訳(メタデータ) (2021-04-01T11:57:42Z) - Frequency Consistent Adaptation for Real World Super Resolution [64.91914552787668]
実シーンにスーパーリゾリューション(SR)法を適用する際に周波数領域の整合性を保証する新しい周波数一貫性適応(FCA)を提案する。
監視されていない画像から劣化カーネルを推定し、対応するLow-Resolution (LR)画像を生成する。
ドメイン一貫性のあるLR-HRペアに基づいて、容易に実装可能な畳み込みニューラルネットワーク(CNN)SRモデルを訓練する。
論文 参考訳(メタデータ) (2020-12-18T08:25:39Z) - SRFlow: Learning the Super-Resolution Space with Normalizing Flow [176.07982398988747]
超解像度は、与えられた低解像度画像の複数の予測を可能にするため、不適切な問題である。
出力の条件分布を学習できる正規化フローベース超解法SRFlowを提案する。
我々のモデルは、単一損失、すなわち負のログ類似度を用いて、原則的に訓練されている。
論文 参考訳(メタデータ) (2020-06-25T06:34:04Z)
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。