論文の概要: Superresolution Reconstruction of Single Image for Latent features
- arxiv url: http://arxiv.org/abs/2211.12845v1
- Date: Wed, 16 Nov 2022 09:37:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-27 13:18:34.862764
- Title: Superresolution Reconstruction of Single Image for Latent features
- Title(参考訳): 遅発性特徴に対する単一画像の超解像再構成
- Authors: Xin Wang, Jing-Ke Yan, Jing-Ye Cai, Jian-Hua Deng, Qin Qin, Qin Wang,
Heng Xiao, Yao Cheng, Peng-Fei Ye
- Abstract要約: 単一画像超解像再構成(SISR)タスクは不確実性問題を解決する典型的なタスクである。
高品質なサンプリング、高速サンプリング、そしてサンプリング後の詳細とテクスチャの多様性の要件を満たすことは、しばしば困難である。
本稿では,これらの問題を解決するために,Latent Feature (LDDPM) のための条件拡散確率モデルを提案する。
- 参考スコア(独自算出の注目度): 13.109083311337356
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: In recent years, Deep Learning has shown good results in the Single Image
Superresolution Reconstruction (SISR) task, thus becoming the most widely used
methods in this field. The SISR task is a typical task to solve an uncertainty
problem. Therefore, it is often challenging to meet the requirements of
High-quality sampling, fast Sampling, and diversity of details and texture
after Sampling simultaneously in a SISR task.It leads to model collapse, lack
of details and texture features after Sampling, and too long Sampling time in
High Resolution (HR) image reconstruction methods. This paper proposes a
Diffusion Probability model for Latent features (LDDPM) to solve these
problems. Firstly, a Conditional Encoder is designed to effectively encode
Low-Resolution (LR) images, thereby reducing the solution space of
reconstructed images to improve the performance of reconstructed images. Then,
the Normalized Flow and Multi-modal adversarial training are used to model the
denoising distribution with complex Multi-modal distribution so that the
Generative Modeling ability of the model can be improved with a small number of
Sampling steps. Experimental results on mainstream datasets demonstrate that
our proposed model reconstructs more realistic HR images and obtains better
PSNR and SSIM performance compared to existing SISR tasks, thus providing a new
idea for SISR tasks.
- Abstract(参考訳): 近年、Deep LearningはSingle Image Super Resolution Reconstruction (SISR)タスクにおいて良い結果を示しており、この分野で最も広く使われている手法となっている。
SISRタスクは不確実性問題を解決する典型的なタスクである。
したがって、SISRタスクで同時にサンプリングした後に、高品質なサンプリング、高速サンプリング、詳細とテクスチャの多様性の要求を満たすことはしばしば困難であり、モデル崩壊、サンプリング後の詳細とテクスチャの特徴の欠如、高分解能画像再構成法では長時間のサンプリング時間が長すぎる。
本稿では,これらの問題を解決するために,潜在特徴量(lddpm)の拡散確率モデルを提案する。
まず, 条件付きエンコーダを用いて, 低分解能画像(LR)を効果的に符号化し, 再構成画像の解空間を小さくし, 再構成画像の性能を向上させる。
次に、正規化フローとマルチモーダル逆訓練を用いて、複雑なマルチモーダル分布を持つ分別分布をモデル化し、少量のサンプリングステップでモデルの生成モデリング能力を向上させる。
本モデルでは,従来のSISRタスクと比較して,よりリアルなHRイメージを再構成し,PSNRとSSIMのパフォーマンスが向上し,SISRタスクに対する新たなアイデアが得られた。
関連論文リスト
- Deep Equilibrium Diffusion Restoration with Parallel Sampling [127.31325974698993]
拡散に基づく画像復元法の多くは、HQイメージを段階的に復元するために長いシリアルサンプリングチェーンを必要とする。
拡散型IRモデルにおけるサンプリングチェーン全体をモデル化して解析解を導出する。
単イメージサンプリングを並列に行うことができ、トレーニングなしでHQイメージを復元することができます。
論文 参考訳(メタデータ) (2023-11-20T08:27:56Z) - 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) - Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。
本稿では,階層型統合拡散モデル(HI-Diff)を提案する。
人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文 参考訳(メタデータ) (2023-05-22T12:18:20Z) - Real Image Super-Resolution using GAN through modeling of LR and HR
process [20.537597542144916]
LRモデルとSRモデルに組み込んだ学習可能な適応正弦波非線形性を提案し,分解分布を直接学習する。
定量的および定性的な実験において提案手法の有効性を実証する。
論文 参考訳(メタデータ) (2022-10-19T09:23:37Z) - Enhancing Image Rescaling using Dual Latent Variables in Invertible
Neural Network [42.18106162158025]
画像ダウンスケーリングプロセスのバリエーションをモデル化するために、新しいダウンスケーリング潜在変数が導入された。
これにより、ダウンスケールのLR画像の画質を犠牲にすることなく、画像のアップスケーリング精度を一貫して向上させることができる。
また、画像隠蔽のような画像復元アプリケーションのための他の INN ベースのモデルの拡張にも有効であることが示されている。
論文 参考訳(メタデータ) (2022-07-24T23:12:51Z) - Single Image Internal Distribution Measurement Using Non-Local
Variational Autoencoder [11.985083962982909]
本稿では,非局所変分オートエンコーダ(textttNLVAE)という画像固有解を提案する。
textttNLVAEは,非局所領域からの非絡み合った情報を用いて高解像度画像を再構成する自己教師型戦略として導入された。
7つのベンチマークデータセットによる実験結果から,textttNLVAEモデルの有効性が示された。
論文 参考訳(メタデータ) (2022-04-02T18:43:55Z) - Learning Multiple Probabilistic Degradation Generators for Unsupervised
Real World Image Super Resolution [5.987801889633082]
教師なしの現実世界のスーパーレゾリューションは、ペア化されたデータが利用できない場合に、低解像度(LR)入力を与えられた高解像度(HR)イメージを復元することを目的としている。
最も一般的なアプローチの1つは、GANを使ってノイズの多いLR画像を合成し、合成データセットを使用してモデルを教師付きで訓練することである。
HR画像が与えられたLR画像の分布を近似する確率分解生成器を提案する。
論文 参考訳(メタデータ) (2022-01-26T04:49:11Z) - 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) - SRDiff: Single Image Super-Resolution with Diffusion Probabilistic
Models [19.17571465274627]
単一の画像スーパーリゾリューション(SISR)は、与えられた低リゾリューション(LR)画像から高解像度(HR)画像を再構成することを目的とする。
新規な単像超解像拡散確率モデル(SRDiff)を提案する。
SRDiffはデータ可能性の変動境界の変種に最適化されており、多様で現実的なSR予測を提供することができる。
論文 参考訳(メタデータ) (2021-04-30T12:31:25Z) - Invertible Image Rescaling [118.2653765756915]
Invertible Rescaling Net (IRN) を開発した。
我々は、ダウンスケーリングプロセスにおいて、指定された分布に従う潜在変数を用いて、失われた情報の分布をキャプチャする。
論文 参考訳(メタデータ) (2020-05-12T09:55:53Z) - Characteristic Regularisation for Super-Resolving Face Images [81.84939112201377]
既存の顔画像超解像法(SR)は、主に人工的にダウンサンプリングされた低解像度(LR)画像の改善に焦点を当てている。
従来の非教師なしドメイン適応(UDA)手法は、未ペアの真のLRとHRデータを用いてモデルをトレーニングすることでこの問題に対処する。
これにより、視覚的特徴を構成することと、画像の解像度を高めることの2つのタスクで、モデルをオーバーストレッチする。
従来のSRモデルとUDAモデルの利点を結合する手法を定式化する。
論文 参考訳(メタデータ) (2019-12-30T16:27:24Z)
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。