論文の概要: The Best of Both Worlds: a Framework for Combining Degradation Prediction with High Performance Super-Resolution Networks

• arxiv url: http://arxiv.org/abs/2211.05018v1
• Date: Wed, 9 Nov 2022 16:49:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 15:52:31.137933
• Title: The Best of Both Worlds: a Framework for Combining Degradation Prediction with High Performance Super-Resolution Networks
• Title（参考訳）: 両世界のベスト: 劣化予測と高性能超解像ネットワークを組み合わせたフレームワーク
• Authors: Matthew Aquilina, Keith George Ciantar, Christian Galea, Kenneth P. Camilleri, Reuben A. Farrugia, John Abela
• Abstract要約: 本稿では,ブラインドSR予測機構とディープSRネットワークを組み合わせるためのフレームワークを提案する。 我々は、我々のハイブリッドモデルが、非盲目モデルと盲目モデルの両方よりも強いSR性能を一貫して達成していることを示す。
• 参考スコア（独自算出の注目度）: 14.804000317612305
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To date, the best-performing blind super-resolution (SR) techniques follow one of two paradigms: A) generate and train a standard SR network on synthetic low-resolution - high-resolution (LR - HR) pairs or B) attempt to predict the degradations an LR image has suffered and use these to inform a customised SR network. Despite significant progress, subscribers to the former miss out on useful degradation information that could be used to improve the SR process. On the other hand, followers of the latter rely on weaker SR networks, which are significantly outperformed by the latest architectural advancements. In this work, we present a framework for combining any blind SR prediction mechanism with any deep SR network, using a metadata insertion block to insert prediction vectors into SR network feature maps. Through comprehensive testing, we prove that state-of-the-art contrastive and iterative prediction schemes can be successfully combined with high-performance SR networks such as RCAN and HAN within our framework. We show that our hybrid models consistently achieve stronger SR performance than both their non-blind and blind counterparts. Furthermore, we demonstrate our framework's robustness by predicting degradations and super-resolving images from a complex pipeline of blurring, noise and compression.
• Abstract（参考訳）: A) 合成低分解能-高分解能(LR - HR)ペア、またはB) LRイメージが被った劣化を予測し、それらをカスタマイズされたSRネットワークに通知する。 大幅な進歩にもかかわらず、前者の加入者はSRプロセスを改善するために使用できる有用な劣化情報を見逃した。 一方、後者の支持者はより弱いSRネットワークに依存しており、最新のアーキテクチャの進歩によって著しく優れています。 本研究では,どのブラインドSR予測機構も深部SRネットワークと組み合わせ,メタデータ挿入ブロックを用いて予測ベクトルをSRネットワークの特徴マップに挿入するフレームワークを提案する。 総合的なテストを通じて、我々のフレームワーク内でRCANやHANのような高性能なSRネットワークと、最先端のコントラストおよび反復予測スキームをうまく組み合わせることができることを示す。 我々のハイブリッドモデルは、非盲目モデルと盲目モデルの両方よりも強いSR性能を実現する。 さらに, ボケ, ノイズ, 圧縮の複雑なパイプラインから, 劣化や超解像を予測して, フレームワークの堅牢性を示す。

関連論文リスト

• ICF-SRSR: Invertible scale-Conditional Function for Self-Supervised Real-world Single Image Super-Resolution [60.90817228730133]
  単一画像超解像(SISR)は、与えられた低解像度(LR)画像を高解像度(HR)にアップサンプリングすることを目的とした課題である。 近年のアプローチは、単純化されたダウンサンプリング演算子によって劣化したシミュレーションLR画像に基づいて訓練されている。 Invertible Scale-Conditional Function (ICF) を提案する。これは入力画像をスケールし、異なるスケール条件で元の入力を復元する。
  論文  参考訳（メタデータ） (2023-07-24T12:42:45Z)
• Joint Learning of Blind Super-Resolution and Crack Segmentation for Realistic Degraded Images [16.497489431525565]
  本稿では,深層ニューラルネットワークを用いた超解像(SR)によるき裂分割を提案する。 SRネットワークは、エンドツーエンドでバイナリセグメンテーションネットワークで共同で訓練される。 現実的なシナリオでは、SRネットワークは未知のぼやけによって劣化した低解像度の画像を処理するために、非盲点から盲点へと拡張される。
  論文  参考訳（メタデータ） (2023-02-24T07:17:15Z)
• 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)
• Degradation-Guided Meta-Restoration Network for Blind Super-Resolution [45.61951760826198]
  ブラインド超解像(SR)は、低解像度(LR)画像から高品質な視覚テクスチャを復元することを目的としている。 既存のSRアプローチは、事前に定義されたぼやけたカーネルや固定ノイズを仮定する。 本稿では,視覚障害者の視力回復を支援する,視力超解像(DMSR)のための劣化誘導型メタ修復ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-07-03T03:24:45Z)
• Improving Super-Resolution Performance using Meta-Attention Layers [17.870338228921327]
  畳み込みニューラルネットワーク(CNN)は多くの超解像(SR)と画像復元タスクで素晴らしい結果を得た。 SRのIll-posed性質は、複数の異なる劣化を経た画像を正確に超解き出すのを難しくする。 メタアテンション(メタアテンション)は、任意のSR CNNが関連する劣化パラメータで利用可能な情報を活用できるようにするメカニズムである。
  論文  参考訳（メタデータ） (2021-10-27T09:20:21Z)
• Structure-Preserving Image Super-Resolution [94.16949589128296]
  単一画像超解像(SISR)の構造 近年の研究では、フォトリアリスティック画像の復元によるSISRの開発が進められている。 しかし、回収された画像にはいまだ望ましくない構造歪みがある。
  論文  参考訳（メタデータ） (2021-09-26T08:48:27Z)
• DynaVSR: Dynamic Adaptive Blind Video Super-Resolution [60.154204107453914]
  DynaVSRは、現実世界のビデオSRのための新しいメタラーニングベースのフレームワークである。 様々な種類の合成ボケカーネルを備えたマルチフレームダウンスケーリングモジュールをトレーニングし、入力認識適応のためのビデオSRネットワークとシームレスに結合する。 実験結果から,DynaVSRは最先端のビデオSRモデルの性能を一定に向上することがわかった。
  論文  参考訳（メタデータ） (2020-11-09T15:07:32Z)
• Deep Cyclic Generative Adversarial Residual Convolutional Networks for Real Image Super-Resolution [20.537597542144916]
  我々は、LRとHRデータ分布間の領域整合性を維持するために、深い循環ネットワーク構造を考える。 本稿では,LRからHRドメインへの変換のためのGAN(Generative Adversarial Network)フレームワークを用いた学習により,超解像残留周期生成逆ネットワーク(SRResCycGAN)を提案する。
  論文  参考訳（メタデータ） (2020-09-07T11:11:18Z)
• Structure-Preserving Super Resolution with Gradient Guidance [87.79271975960764]
  単一画像超解像(SISR)の構造 最近のGAN(Generative Adversarial Network)による研究は、SISRの開発を促進している。 しかし、復元された画像には常に望ましくない構造歪みがある。
  論文  参考訳（メタデータ） (2020-03-29T17:26:58Z)
• DDet: Dual-path Dynamic Enhancement Network for Real-World Image Super-Resolution [69.2432352477966]
  実画像超解像(Real-SR)は、実世界の高分解能画像(HR)と低分解能画像(LR)の関係に焦点を当てている。 本稿では,Real-SRのためのデュアルパス動的拡張ネットワーク(DDet)を提案する。 特徴表現のための大規模な畳み込みブロックを積み重ねる従来の手法とは異なり、非一貫性のある画像対を研究するためのコンテンツ認識フレームワークを導入する。
  論文  参考訳（メタデータ） (2020-02-25T18:24:51Z)

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。