論文の概要: Global Learnable Attention for Single Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2212.01057v1
• Date: Fri, 2 Dec 2022 09:47:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 16:59:36.405869
• Title: Global Learnable Attention for Single Image Super-Resolution
• Title（参考訳）: 単一画像超解像のためのグローバル学習型注意
• Authors: Jian-Nan Su, Min Gan, Guang-Yong Chen, Jia-Li Yin, and C. L. Philip Chen
• Abstract要約: 本稿では,非局所的なテクスチャの類似度スコアを適応的に修正するグローバル学習型注意(GLA)を提案する。 GLAは、低相似性を持つ非局所的なテクスチャを探索できるが、より正確なディテールにより、深刻な損傷のあるテクスチャを修復することができる。 GLAに基づいて、SISRタスクの最先端性能を実現するためのDLSN(Deep Learnable similarity Network)を構築した。
• 参考スコア（独自算出の注目度）: 68.2129989450593
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-similarity is valuable to the exploration of non-local textures in single image super-resolution (SISR). Researchers usually assume that the importance of non-local textures is positively related to their similarity scores. In this paper, we surprisingly found that when repairing severely damaged query textures, some non-local textures with low-similarity which are closer to the target can provide more accurate and richer details than the high-similarity ones. In these cases, low-similarity does not mean inferior but is usually caused by different scales or orientations. Utilizing this finding, we proposed a Global Learnable Attention (GLA) to adaptively modify similarity scores of non-local textures during training instead of only using a fixed similarity scoring function such as the dot product. The proposed GLA can explore non-local textures with low-similarity but more accurate details to repair severely damaged textures. Furthermore, we propose to adopt Super-Bit Locality-Sensitive Hashing (SB-LSH) as a preprocessing method for our GLA. With the SB-LSH, the computational complexity of our GLA is reduced from quadratic to asymptotic linear with respect to the image size. In addition, the proposed GLA can be integrated into existing deep SISR models as an efficient general building block. Based on the GLA, we constructed a Deep Learnable Similarity Network (DLSN), which achieves state-of-the-art performance for SISR tasks of different degradation types (e.g. blur and noise). Our code and a pre-trained DLSN have been uploaded to GitHub{\dag} for validation.
• Abstract（参考訳）: 自己相似性は、単一画像超解像(SISR)における非局所的なテクスチャの探索に有用である。 研究者は通常、非局所的なテクスチャの重要性は類似性のスコアと肯定的に関連していると仮定する。 本稿では,重傷を負った問合せテクスチャを修復する場合,目標に近い類似度の低い非局所テクスチャが,類似度の高いテクスチャよりも正確でリッチなディテールを提供できることを発見した。 これらの場合、低相似性は劣るという意味ではなく、通常異なるスケールや向きによって引き起こされる。 そこで本研究では,非局所的なテクスチャの類似度スコアを,ドット生成物のような固定された類似度スコア関数を使用するのではなく,適応的に修正するグローバル学習型注意(GLA)を提案する。 提案したGLAは、低相似性で非局所的なテクスチャを探索できるが、より正確なディテールで損傷したテクスチャを修復することができる。 さらに,GLAの事前処理手法としてSuper-Bit Locality-Sensitive Hashing(SB-LSH)を提案する。 SB-LSHでは、画像サイズに関して、GLAの計算複雑性は二次的から漸近的へと減少する。 さらに、提案したGLAは、効率的な汎用ビルディングブロックとして既存のディープSISRモデルに統合することができる。 GLAに基づいて、異なる劣化型(例えば、ぼかしやノイズ)のSISRタスクの最先端性能を実現するためのDLSN(Deep Learnable similarity Network)を構築した。 私たちのコードと事前トレーニングされたDLSNは、バリデーションのためにGitHub{\dag}にアップロードされました。

関連論文リスト

• AbsGS: Recovering Fine Details for 3D Gaussian Splatting [10.458776364195796]
  3D Gaussian Splatting (3D-GS) 技術は3Dプリミティブを相違可能なガウス化と組み合わせて高品質な新規ビュー結果を得る。 しかし、3D-GSは、高頻度の詳細を含む複雑なシーンで過度に再構成の問題に悩まされ、ぼやけた描画画像に繋がる。 本稿では,前述の人工物,すなわち勾配衝突の原因を包括的に分析する。 我々の戦略は過度に再構成された地域のガウス人を効果的に同定し、分割して細部を復元する。
  論文  参考訳（メタデータ） (2024-04-16T11:44:12Z)
• Combining Attention Module and Pixel Shuffle for License Plate Super-Resolution [3.8831062015253055]
  本研究は,低解像度・低画質画像におけるライセンスプレート(LP)再構成に焦点を当てた。 本稿では、注目/変圧器モジュールの概念を拡張したシングルイメージ超解法(SISR)アプローチを提案する。 実験では, 提案手法は, 定量的および定性的に, ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2022-10-30T13:05:07Z)
• Boosting Few-shot Fine-grained Recognition with Background Suppression and Foreground Alignment [53.401889855278704]
  FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。 本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。 複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-04T07:54:40Z)
• Global and Local Texture Randomization for Synthetic-to-Real Semantic Segmentation [40.556020857447535]
  GTR(Global Randomization)とLTR(Local Texture Randomization)という2つの単純なテクスチャランダム化機構を提案する。 GTRは、ソース画像のテクスチャを多様なテクスチャスタイルにランダム化する。 LTRは、ソースイメージを部分的にスタイリングするために、多様なローカル領域を生成する。
  論文  参考訳（メタデータ） (2021-08-05T05:14:49Z)
• Discriminator-Free Generative Adversarial Attack [87.71852388383242]
  生成的ベースの敵攻撃は、この制限を取り除くことができる。 ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。 SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
  論文  参考訳（メタデータ） (2021-07-20T01:55:21Z)
• A Spectral-Spatial-Dependent Global Learning Framework for Insufficient and Imbalanced Hyperspectral Image Classification [16.93904035334754]
  グローバル畳み込み長短期記憶(GCL)とグローバル共同注意機構(GJAM)に基づくスペクトル空間依存型グローバルラーニング(SSDGL)フレームワーク SSDGLは、不十分で不均衡なサンプル問題において強力な性能を有し、他の最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2021-05-29T15:39:03Z)
• Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
  局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。 本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。 実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
  論文  参考訳（メタデータ） (2020-07-20T12:07:48Z)
• Cross-Scale Internal Graph Neural Network for Image Super-Resolution [147.77050877373674]
  自然画像における非局所的な自己相似性は、画像修復に有効な先行研究として、よく研究されている。 単一の画像超解像(SISR)の場合、既存のディープ非局所法のほとんどは、低解像度(LR)入力画像と同じ規模のパッチしか利用していない。 これは、新しいクロススケールな内部グラフニューラルネットワーク(IGNN)を用いて実現される。
  論文  参考訳（メタデータ） (2020-06-30T10:48:40Z)
• Image Fine-grained Inpainting [89.17316318927621]
  拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。 この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。 また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
  論文  参考訳（メタデータ） (2020-02-07T03:45:25Z)

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。