Fugu-MT 論文翻訳(概要): How Real is Real: Evaluating the Robustness of Real-World Super Resolution

論文の概要: How Real is Real: Evaluating the Robustness of Real-World Super Resolution

arxiv url: http://arxiv.org/abs/2210.12523v1
Date: Sat, 22 Oct 2022 18:53:45 GMT
ステータス: 処理完了
システム内更新日: 2022-10-25 18:58:08.293071
Title: How Real is Real: Evaluating the Robustness of Real-World Super Resolution
Title（参考訳）: 現実はいかにリアルか - 現実世界の超高解像度のロバスト性評価
Authors: Athiya Deviyani, Efe Sinan Hoplamaz, Alan Savio Paul
Abstract要約: 超解像は、高分解能画像上で行うダウンサンプリング法に頼って、既知の低分解能画像を形成するため、よく知られた問題である。我々は,複数の最先端超解像法を評価し,様々な種類の実像を提示する際の性能評価を行う。我々は、ほとんどの最先端超解法モデルにおいて差し迫った一般化問題を緩和する潜在的な解決策を提示する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Image super-resolution (SR) is a field in computer vision that focuses on reconstructing high-resolution images from the respective low-resolution image. However, super-resolution is a well-known ill-posed problem as most methods rely on the downsampling method performed on the high-resolution image to form the low-resolution image to be known. Unfortunately, this is not something that is available in real-life super-resolution applications such as increasing the quality of a photo taken on a mobile phone. In this paper we will evaluate multiple state-of-the-art super-resolution methods and gauge their performance when presented with various types of real-life images and discuss the benefits and drawbacks of each method. We also introduce a novel dataset, WideRealSR, containing real images from a wide variety of sources. Finally, through careful experimentation and evaluation, we will present a potential solution to alleviate the generalization problem which is imminent in most state-of-the-art super-resolution models.
Abstract（参考訳）: イメージ・スーパーレゾリューション (SR) はコンピュータビジョンの分野であり、それぞれの低解像度画像から高解像度画像を再構成することに焦点を当てている。しかし,高分解能画像上で実施したダウンサンプリング法に頼り,既知の低分解能画像を形成する手法が多いため,超分解能はよく知られた問題である。残念ながらこれは、携帯電話で撮った写真の品質を上げるなど、現実の超高解像度アプリケーションでは利用できない。本稿では,複数の最先端超解像法を評価し,様々な種類の実像を提示する際の性能評価を行い,各手法の利点と欠点について考察する。また,様々な情報源から得られた実画像を含む新しいデータセットである WideRealSR も紹介する。最後に,注意深い実験と評価を通じて,最先端のスーパーレゾリューションモデルに差し迫った一般化問題の解決法を提案する。

関連論文リスト

High-Resolution Be Aware! Improving the Self-Supervised Real-World Super-Resolution [37.546746047196486]
地平線画像は現実の環境では利用できないため、自己教師型学習は超高解像度には不可欠である。既存の方法は、擬似ペアを作成したり、低分解能再構成目標を強制することによって、低分解能画像から自己監督を導出する。本稿では,高解像度画像の認識を強化し,自己監督された現実世界の超解像を改善する。
論文参考訳（メタデータ） (2024-11-25T08:13:32Z)
Learning Dual-Level Deformable Implicit Representation for Real-World Scale Arbitrary Super-Resolution [81.74583887661794]
整数と非整数のスケーリング要素を併用した,新しい実世界のスーパーレゾリューションベンチマークを構築した。実世界の任意の超解像を解くために,Dual-level Deformable Implicit Representation (DDIR)を提案する。実世界の任意の超解像のためのRealArbiSRおよびRealSRベンチマークの最先端性能を実現する。
論文参考訳（メタデータ） (2024-03-16T13:44:42Z)
Learning from Multi-Perception Features for Real-Word Image Super-resolution [87.71135803794519]
入力画像の複数の知覚的特徴を利用する新しいSR手法MPF-Netを提案する。本稿では,MPFEモジュールを組み込んで,多様な知覚情報を抽出する手法を提案する。また、モデルの学習能力を向上する対照的な正規化項(CR)も導入する。
論文参考訳（メタデータ） (2023-05-26T07:35:49Z)
Multi-Modality Image Super-Resolution using Generative Adversarial Networks [0.0]
画像超解像と多モード画像-画像変換の連立問題に対する解法を提案する。この問題は、他のモードで同じ画像を低解像度で観察した場合に、高解像度の画像をモダリティで復元するものとして説明できる。
論文参考訳（メタデータ） (2022-06-18T12:19:31Z)
Semi-Supervised Super-Resolution [30.872605139672086]
超解像(Super-Resolution)は、可視分解能を高めて低解像度の写真の品質を向上させる技術である。従来の超解法では、低解像度で高解像度のペアがほとんど得られない領域では問題となるような訓練のために膨大な量のデータを必要とする。本稿では,500対の例に満たない,シャープで高解像度の画像を生成するための半教師付き手法を提案する。
論文参考訳（メタデータ） (2022-04-18T07:10:29Z)
3D Human Pose, Shape and Texture from Low-Resolution Images and Videos [107.36352212367179]
本稿では,解像度認識ネットワーク,自己スーパービジョン損失,コントラスト学習スキームからなるrsc-netを提案する。提案手法は1つのモデルで異なる解像度で3次元物体のポーズと形状を学習できる。低解像度映像を扱うRSC-Netを拡張し、低解像度入力からテクスチャ化された3D歩行者の再構築に適用します。
論文参考訳（メタデータ） (2021-03-11T06:52:12Z)
A Generative Model for Hallucinating Diverse Versions of Super Resolution Images [0.3222802562733786]
我々は、生成逆数モデルを用いて、同じ低解像度画像から異なる高解像度バージョンを得るという問題に取り組んでいる。学習アプローチでは,高分解能画像の学習において,教師なしの保存と探索に高周波数を活用できる。
論文参考訳（メタデータ） (2021-02-12T17:11:42Z)
Deep Learning-based Face Super-resolution: A Survey [78.11274281686246]
顔の超解像、別名顔の幻覚は、ドメイン固有のイメージの超解像問題です。現在、深層学習に基づく顔の超解像に関する研究の要約は少ない。本調査では,超解像面における深層学習の手法を体系的に総合的に検討する。
論文参考訳（メタデータ） (2021-01-11T08:17:11Z)
Mapping Low-Resolution Images To Multiple High-Resolution Images Using Non-Adversarial Mapping [6.302374268077337]
まず第一に、SISRの問題は、低解像度画像と全候補高解像度画像との1対1のマッピング問題である、と我々は主張する。本稿では,高解像度画像から高解像度画像への変換方法を学ぶモデルを提案する。
論文参考訳（メタデータ） (2020-06-21T04:14:24Z)
Unsupervised Real Image Super-Resolution via Generative Variational AutoEncoder [47.53609520395504]
古典的な例に基づく画像超解法を再考し、知覚的画像超解法のための新しい生成モデルを考案する。本稿では,変分オートエンコーダを用いた共同画像デノベーションと超解像モデルを提案する。判別器の助けを借りて、超分解能サブネットワークのオーバーヘッドを加味して、分解された画像をフォトリアリスティックな視覚的品質で超解凍する。
論文参考訳（メタデータ） (2020-04-27T13:49:36Z)
PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models [77.32079593577821]
PULSE (Photo Upsampling via Latent Space Exploration) は、それまで文献になかった解像度で高解像度でリアルな画像を生成する。本手法は, 従来よりも高分解能, スケールファクターの知覚品質において, 最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2020-03-08T16:44:31Z)

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。