論文の概要: Learning Detail-Structure Alternative Optimization for Blind Super-Resolution

• arxiv url: http://arxiv.org/abs/2212.01624v1
• Date: Sat, 3 Dec 2022 14:44:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 18:38:02.707477
• Title: Learning Detail-Structure Alternative Optimization for Blind Super-Resolution
• Title（参考訳）: ブラインド超解像のための学習ディテール構造代替最適化
• Authors: Feng Li, Yixuan Wu, Huihui Bai, Weisi Lin, Runmin Cong, and Yao Zhao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 69.11604249813304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing convolutional neural networks (CNN) based image super-resolution (SR) methods have achieved impressive performance on bicubic kernel, which is not valid to handle unknown degradations in real-world applications. Recent blind SR methods suggest to reconstruct SR images relying on blur kernel estimation. However, their results still remain visible artifacts and detail distortion due to the estimation errors. To alleviate these problems, in this paper, we propose an effective and kernel-free network, namely DSSR, which enables recurrent detail-structure alternative optimization without blur kernel prior incorporation for blind SR. Specifically, in our DSSR, a detail-structure modulation module (DSMM) is built to exploit the interaction and collaboration of image details and structures. The DSMM consists of two components: a detail restoration unit (DRU) and a structure modulation unit (SMU). The former aims at regressing the intermediate HR detail reconstruction from LR structural contexts, and the latter performs structural contexts modulation conditioned on the learned detail maps at both HR and LR spaces. Besides, we use the output of DSMM as the hidden state and design our DSSR architecture from a recurrent convolutional neural network (RCNN) view. In this way, the network can alternatively optimize the image details and structural contexts, achieving co-optimization across time. Moreover, equipped with the recurrent connection, our DSSR allows low- and high-level feature representations complementary by observing previous HR details and contexts at every unrolling time. Extensive experiments on synthetic datasets and real-world images demonstrate that our method achieves the state-of-the-art against existing methods. The source code can be found at https://github.com/Arcananana/DSSR.
• Abstract（参考訳）: 既存の畳み込みニューラルネットワーク(CNN)ベースの画像超解像(SR)法は,実世界のアプリケーションで未知の劣化を処理できないバイキュービックカーネルにおいて,優れた性能を達成した。 近年のブラインドSR法では,カーネル推定によるSR像の再構成が提案されている。 しかし、それらの結果は依然として可視的アーティファクトと推定誤差による詳細歪みのままである。 これらの問題を緩和するため,本稿では,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。 具体的には、DSSRにおいて、画像の詳細と構造の相互作用と協調を利用するための詳細構造変調モジュール(DSMM)を構築している。 DSMMはディテール復元ユニット(DRU)と構造変調ユニット(SMU)の2つのコンポーネントで構成されている。 前者は、LR構造的文脈から中間HR詳細再構成を回帰することを目的としており、後者は、HRとLR空間の両方で学習された詳細マップに条件付き構造的文脈変調を行う。 さらに、DSMMの出力を隠蔽状態とし、繰り返し畳み込みニューラルネットワーク(RCNN)ビューからDSSRアーキテクチャを設計する。 このようにして、ネットワークは画像の詳細と構造的コンテキストを最適化し、時間をかけて協調最適化を達成できる。 さらに,リカレント接続を備えたdssrでは,前回のhrの詳細やコンテキストをアンロール時間毎に観察することにより,低レベルおよび高レベルの特徴表現を補完することができる。 合成データセットと実世界の画像に関する大規模な実験により,本手法が既存の手法に対して最先端の手法を実現することを示す。 ソースコードはhttps://github.com/Arcananana/DSSRにある。

関連論文リスト

• Multi-Depth Branch Network for Efficient Image Super-Resolution [12.042706918188566]
  超解像(SR)における長年の課題は、低解像(LR)の高頻度細部を効率的に拡張する方法である。 MDBM(Multi-Depth Branch Module)を特徴とする非対称SRアーキテクチャを提案する。 MDBMには異なる深さの枝があり、高い周波数と低周波の情報を同時に、効率的に捉えるように設計されている。
  論文  参考訳（メタデータ） (2023-09-29T15:46:25Z)
• Bridging Component Learning with Degradation Modelling for Blind Image Super-Resolution [69.11604249813304]
  視覚障害者のためのコンポーネント分解・協調最適化ネットワーク(CDCN)を提案する。 CDCNは入力LR画像を特徴空間の構造と詳細成分に分解する。 本稿では,HR画像の細部と構造復元過程を協調的に監督する,劣化駆動型学習戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-03T14:53:56Z)
• RRSR:Reciprocal Reference-based Image Super-Resolution with Progressive Feature Alignment and Selection [66.08293086254851]
  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。
  論文  参考訳（メタデータ） (2022-11-08T12:39:35Z)
• Real Image Restoration via Structure-preserving Complementarity Attention [10.200625895876023]
  本稿では,高密度モジュールとスパースモジュールを含む軽量なコンプレメンタリアテンションモジュールを提案する。 そこで,本論文では,勾配に基づく構造保存分岐を構築した。
  論文  参考訳（メタデータ） (2022-07-28T04:24:20Z)
• 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)
• Accurate and Lightweight Image Super-Resolution with Model-Guided Deep Unfolding Network [63.69237156340457]
  我々は、モデル誘導深部展開ネットワーク(MoG-DUN)と呼ばれるSISRに対する説明可能なアプローチを提示し、提唱する。 MoG-DUNは正確(エイリアスを少なくする)、計算効率(モデルパラメータを減らした)、多用途(多重劣化を処理できる)である。 RCAN, SRDNF, SRFBNを含む既存の最先端画像手法に対するMoG-DUN手法の優位性は、いくつかの一般的なデータセットと様々な劣化シナリオに関する広範な実験によって実証されている。
  論文  参考訳（メタデータ） (2020-09-14T08:23:37Z)
• Lightweight image super-resolution with enhanced CNN [82.36883027158308]
  強い表現力を持つ深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像(SISR)において印象的な性能を達成した 情報抽出・拡張ブロック(IEEB)、再構築ブロック(RB)、情報精製ブロック(IRB)の3つの連続したサブブロックを持つ軽量拡張SR CNN(LESRCNN)を提案する。 IEEBは階層的低分解能(LR)特徴を抽出し、SISRの深い層上の浅い層の記憶能力を高めるために、得られた特徴を段階的に集約する。 RBはグローバルに拡散することで低周波特徴を高周波特徴に変換する
  論文  参考訳（メタデータ） (2020-07-08T18:03:40Z)

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。