論文の概要: RRSR:Reciprocal Reference-based Image Super-Resolution with Progressive
Feature Alignment and Selection
- arxiv url: http://arxiv.org/abs/2211.04203v1
- Date: Tue, 8 Nov 2022 12:39:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 16:37:43.347854
- Title: RRSR:Reciprocal Reference-based Image Super-Resolution with Progressive
Feature Alignment and Selection
- Title(参考訳): rrsr:プログレッシブ特徴のアライメントと選択を伴う相互参照に基づく画像超解像
- Authors: Lin Zhang, Xin Li, Dongliang He, Fu Li, Yili Wang, Zhaoxiang Zhang
- Abstract要約: 本稿では,RefSRネットワークの学習を強化するための相互学習フレームワークを提案する。
新たに提案したモジュールは,マルチスケールの特徴空間に参照入力画像をアライメントし,参照認識機能の選択を行う。
我々は,最近のRefSRモデルが相互学習パラダイムによって一貫した改善が可能であることを実証的に示す。
- 参考スコア(独自算出の注目度): 66.08293086254851
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reference-based image super-resolution (RefSR) is a promising SR branch and
has shown great potential in overcoming the limitations of single image
super-resolution. While previous state-of-the-art RefSR methods mainly focus on
improving the efficacy and robustness of reference feature transfer, it is
generally overlooked that a well reconstructed SR image should enable better SR
reconstruction for its similar LR images when it is referred to as. Therefore,
in this work, we propose a reciprocal learning framework that can appropriately
leverage such a fact to reinforce the learning of a RefSR network. Besides, we
deliberately design a progressive feature alignment and selection module for
further improving the RefSR task. The newly proposed module aligns
reference-input images at multi-scale feature spaces and performs
reference-aware feature selection in a progressive manner, thus more precise
reference features can be transferred into the input features and the network
capability is enhanced. Our reciprocal learning paradigm is model-agnostic and
it can be applied to arbitrary RefSR models. We empirically show that multiple
recent state-of-the-art RefSR models can be consistently improved with our
reciprocal learning paradigm. Furthermore, our proposed model together with the
reciprocal learning strategy sets new state-of-the-art performances on multiple
benchmarks.
- Abstract(参考訳): 参照ベース画像超解像(RefSR)は有望なSR分岐であり、単一画像超解像の限界を克服する大きな可能性を示している。
従来のrefsr手法では,参照特徴転送の有効性とロバスト性の改善が主であるが,sr画像の再構成が容易であれば,類似したlr画像に対するsr再構成性が向上すると考えられる。
そこで本研究では,RefSRネットワークの学習を強化するために,このような事実を適切に活用できる相互学習フレームワークを提案する。
さらに,refsrタスクをさらに改善するために,プログレッシブ機能アライメントと選択モジュールを意図的に設計する。
提案モジュールは,マルチスケールの特徴空間に参照入力画像をアライメントし,プログレッシブな方法で参照認識特徴選択を行うので,より正確な参照特徴を入力特徴に伝達し,ネットワーク能力を向上させる。
我々の相互学習パラダイムはモデルに依存しず、任意のRefSRモデルに適用できる。
最近の最先端refsrモデルが相互学習パラダイムによって一貫して改善できることを実証的に示す。
さらに,提案モデルと相反学習戦略は,複数のベンチマークで新たな最先端性能を設定する。
関連論文リスト
- One Model for Two Tasks: Cooperatively Recognizing and Recovering Low-Resolution Scene Text Images by Iterative Mutual Guidance [32.88048472109016]
高分解能(HR)画像からのシーンテキスト認識(STR)は著しく成功したが、低分解能(LR)画像でのテキスト読取は依然として困難である。
近年,多くのシーンテキスト画像超解像(STISR)モデルがLR画像の超解像(SR)画像を生成するために提案され,SR画像上でSTRが実行されることにより認識性能が向上した。
本稿では,LRシーンのテキスト画像の同時認識と復元を効果的に行う,画像と呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2024-09-22T15:05:25Z) - Low-Res Leads the Way: Improving Generalization for Super-Resolution by
Self-Supervised Learning [45.13580581290495]
本研究は,SRモデルの現実の画像への適応性を高めるために,新しい"Low-Res Leads the Way"(LWay)トレーニングフレームワークを導入する。
提案手法では,低分解能(LR)再構成ネットワークを用いて,LR画像から劣化埋め込みを抽出し,LR再構成のための超解出力とマージする。
私たちのトレーニング体制は普遍的に互換性があり、ネットワークアーキテクチャの変更は不要です。
論文 参考訳(メタデータ) (2024-03-05T02:29:18Z) - Bridging the Domain Gap: A Simple Domain Matching Method for
Reference-based Image Super-Resolution in Remote Sensing [8.36527949191506]
近年、参照ベース画像超解像(RefSR)は、画像超解像(SR)タスクにおいて優れた性能を示している。
既存のRefSRモデルとシームレスに統合可能なドメインマッチング(DM)モジュールを導入する。
我々の分析では、これらの領域のギャップは異なる衛星でしばしば生じており、我々のモデルはこれらの課題に効果的に対処している。
論文 参考訳(メタデータ) (2024-01-29T08:10:00Z) - RBSR: Efficient and Flexible Recurrent Network for Burst
Super-Resolution [57.98314517861539]
バースト超解像(BurstSR)は、高解像度(HR)画像を低解像度(LR)画像と雑音画像から再構成することを目的としている。
本稿では,効率よくフレキシブルなリカレントネットワークでフレーム単位のキューを融合させることを提案する。
論文 参考訳(メタデータ) (2023-06-30T12:14:13Z) - Learning Detail-Structure Alternative Optimization for Blind
Super-Resolution [69.11604249813304]
そこで我々は,ブラインドSRに先立ってカーネルを曖昧にすることなく,再帰的な詳細構造代替最適化を実現する,有効かつカーネルフリーなネットワークDSSRを提案する。
DSSRでは、細部構造変調モジュール(DSMM)が構築され、画像の詳細と構造の相互作用と協調を利用する。
本手法は既存の手法に対して最先端の手法を実現する。
論文 参考訳(メタデータ) (2022-12-03T14:44:17Z) - Reference-based Image Super-Resolution with Deformable Attention
Transformer [62.71769634254654]
RefSRは、補助参照(Ref)画像を超解像低解像度(LR)画像に活用することを目的としている。
本稿では,複数のスケールを持つ変形可能なアテンション変換器,すなわちDATSRを提案する。
DATSRがベンチマークデータセット上で最先端のパフォーマンスを達成することを示す実験を行った。
論文 参考訳(メタデータ) (2022-07-25T07:07:00Z) - MASA-SR: Matching Acceleration and Spatial Adaptation for
Reference-Based Image Super-Resolution [74.24676600271253]
本稿では、RefSRのためのMASAネットワークを提案し、これらの問題に対処するために2つの新しいモジュールを設計する。
提案したMatch & extract Moduleは、粗大な対応マッチング方式により計算コストを大幅に削減する。
空間適応モジュールは、LR画像とRef画像の分布の差を学習し、Ref特徴の分布を空間適応的にLR特徴の分布に再マップする。
論文 参考訳(メタデータ) (2021-06-04T07:15:32Z) - Robust Reference-based Super-Resolution via C2-Matching [77.51610726936657]
超解像(Ref-SR)は、最近、高分解能(HR)参照画像を導入して、低分解能(LR)入力画像を強化するための有望なパラダイムとして登場した。
既存のRef-SR法は主に暗黙の対応に頼り、参照画像からHRテクスチャを借用し、入力画像の情報損失を補う。
本稿では,C2-Matchingを提案する。
論文 参考訳(メタデータ) (2021-06-03T16:40:36Z)
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。