論文の概要: Bridging Component Learning with Degradation Modelling for Blind Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2212.01628v1
• Date: Sat, 3 Dec 2022 14:53:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 18:37:30.918304
• Title: Bridging Component Learning with Degradation Modelling for Blind Image Super-Resolution
• Title（参考訳）: Blind Image Super-Resolutionのための劣化モデルによるブリッジコンポーネント学習
• Authors: Yixuan Wu, Feng Li, Huihui Bai, Weisi Lin, Runmin Cong, and Yao Zhao
• Abstract要約: 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。
• 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: Convolutional Neural Network (CNN)-based image super-resolution (SR) has exhibited impressive success on known degraded low-resolution (LR) images. However, this type of approach is hard to hold its performance in practical scenarios when the degradation process is unknown. Despite existing blind SR methods proposed to solve this problem using blur kernel estimation, the perceptual quality and reconstruction accuracy are still unsatisfactory. In this paper, we analyze the degradation of a high-resolution (HR) image from image intrinsic components according to a degradation-based formulation model. We propose a components decomposition and co-optimization network (CDCN) for blind SR. Firstly, CDCN decomposes the input LR image into structure and detail components in feature space. Then, the mutual collaboration block (MCB) is presented to exploit the relationship between both two components. In this way, the detail component can provide informative features to enrich the structural context and the structure component can carry structural context for better detail revealing via a mutual complementary manner. After that, we present a degradation-driven learning strategy to jointly supervise the HR image detail and structure restoration process. Finally, a multi-scale fusion module followed by an upsampling layer is designed to fuse the structure and detail features and perform SR reconstruction. Empowered by such degradation-based components decomposition, collaboration, and mutual optimization, we can bridge the correlation between component learning and degradation modelling for blind SR, thereby producing SR results with more accurate textures. Extensive experiments on both synthetic SR datasets and real-world images show that the proposed method achieves the state-of-the-art performance compared to existing methods.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)に基づく画像超解像(SR)は、既知の劣化した低分解能(LR)画像に顕著な成功を収めた。 しかし, 劣化過程が不明な場合には, 実用シナリオで性能を維持することは困難である。 この問題を解決するために既存のブラインドSR法が提案されているが、知覚品質と再現精度はまだ不十分である。 本稿では, 画像固有成分からの高分解能(HR)画像の劣化を, 劣化に基づく定式化モデルに基づいて解析する。 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。 まず、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。 そして、両者の関係を利用するために相互協調ブロック(mcb)が提示される。 このようにして、ディテールコンポーネントは構造コンテキストを豊かにするための有益な機能を提供し、構造コンポーネントは相互補完的な方法で詳細を明らかにするために構造コンテキストを運ぶことができる。 その後、HR画像の詳細と構造復元過程を共同で監督するための劣化駆動学習戦略を提案する。 最後に,マルチスケール核融合モジュールとアップサンプリング層は,構造と細部を融合し,sr再構成を行うように設計されている。 このような分解に基づくコンポーネント分解、協調、相互最適化を活用して、コンポーネント学習とブラインドSRの分解モデリングの相関関係を橋渡しし、より正確なテクスチャでSR結果を生成する。 合成SRデータセットと実世界の画像の両方に対する大規模な実験により,提案手法が既存手法と比較して最先端性能を実現することが示された。

関連論文リスト

• Content-decoupled Contrastive Learning-based Implicit Degradation Modeling for Blind Image Super-Resolution [33.16889233975723]
  急激な劣化モデルに基づくブラインド・スーパーレゾリューション(SR)は、コミュニティで注目を集めている。 本稿では,CdCL(Content-decoupled Contrastive Learning-based blind image super- resolution)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-10T04:51:43Z)
• 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)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• 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)
• 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)
• Learning Structral coherence Via Generative Adversarial Network for Single Image Super-Resolution [13.803141755183827]
  近年,GAN(Generative Adversarial Network)に基づくSISR法により,全体の現実的SR画像が得られた。 SRプロセスにおける高分解能勾配図の復元により構造情報を保存するため, 発電機に勾配分岐を導入する。 さらに、U-netベースの判別器を用いて、画像全体と画素ごとの詳細な認証の両方について検討する。
  論文  参考訳（メタデータ） (2021-01-25T15:26:23Z)
• 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)

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。