論文の概要: A Scale-Arbitrary Image Super-Resolution Network Using Frequency-domain Information

• arxiv url: http://arxiv.org/abs/2212.04314v1
• Date: Thu, 8 Dec 2022 15:10:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 16:17:06.682387
• Title: A Scale-Arbitrary Image Super-Resolution Network Using Frequency-domain Information
• Title（参考訳）: 周波数領域情報を用いた広帯域画像超解像ネットワーク
• Authors: Jing Fang, Yinbo Yu, Zhongyuan Wang, Xin Ding, Ruimin Hu
• Abstract要約: 画像超解像(SR)は、低分解能(LR)画像において失われた高周波情報を復元する技術である。 本稿では、周波数領域における画像の特徴を考察し、新しいスケール・アービタリー画像SRネットワークを設計する。
• 参考スコア（独自算出の注目度）: 42.55177009667711
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image super-resolution (SR) is a technique to recover lost high-frequency information in low-resolution (LR) images. Spatial-domain information has been widely exploited to implement image SR, so a new trend is to involve frequency-domain information in SR tasks. Besides, image SR is typically application-oriented and various computer vision tasks call for image arbitrary magnification. Therefore, in this paper, we study image features in the frequency domain to design a novel scale-arbitrary image SR network. First, we statistically analyze LR-HR image pairs of several datasets under different scale factors and find that the high-frequency spectra of different images under different scale factors suffer from different degrees of degradation, but the valid low-frequency spectra tend to be retained within a certain distribution range. Then, based on this finding, we devise an adaptive scale-aware feature division mechanism using deep reinforcement learning, which can accurately and adaptively divide the frequency spectrum into the low-frequency part to be retained and the high-frequency one to be recovered. Finally, we design a scale-aware feature recovery module to capture and fuse multi-level features for reconstructing the high-frequency spectrum at arbitrary scale factors. Extensive experiments on public datasets show the superiority of our method compared with state-of-the-art methods.
• Abstract（参考訳）: 画像超解像(SR)は、低分解能(LR)画像において失われた高周波情報を復元する技術である。 空間領域情報は画像srを実装するために広く活用されているため、srタスクに周波数領域情報を取り込むことが新しいトレンドである。 また、画像SRはアプリケーション指向であり、様々なコンピュータビジョンタスクは任意の倍率を求める。 そこで本論文では,周波数領域の画像特徴を解析し,新しいスケール・アビタリー画像srネットワークを設計する。 まず、異なるスケール要因下での複数のデータセットのLR-HR画像対を統計的に解析し、異なるスケール要因下での異なる画像の高周波スペクトルが劣化の程度が異なることを確認するが、有効な低周波スペクトルは一定の分布範囲内に保持される傾向にある。 そこで,本研究では,周波数スペクトルを保持対象の低周波部分と高周波部分とに正確に,適応的に分割できる深層強化学習を用いた適応型スケールアウェア機能分割機構を考案した。 最後に、任意のスケール因子で高周波数スペクトルを再構成するためのマルチレベル特徴を捕捉・融合するスケール認識機能回復モジュールを設計する。 公開データセットに対する大規模な実験は、最先端の手法と比較して、我々の手法の優位性を示している。

関連論文リスト

• Contourlet Refinement Gate Framework for Thermal Spectrum Distribution Regularized Infrared Image Super-Resolution [54.293362972473595]
  画像超解像(SR)は、高解像度(HR)画像を低解像度(LR)画像から再構成することを目的としている。 SRタスクに対処する現在のアプローチは、RGB画像の特徴を抽出するか、同様の劣化パターンを仮定するものである。 スペクトル分布の忠実さを保ちつつ、赤外線変調特性を復元するコントゥーレット改質ゲートフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-19T14:24:03Z)
• FreqINR: Frequency Consistency for Implicit Neural Representation with Adaptive DCT Frequency Loss [5.349799154834945]
  本稿では、新しい任意スケール超解像法であるFreqINR(FreqINR)について述べる。 トレーニングでは,適応離散コサイン変換周波数損失(adaptive Discrete Cosine Transform Frequency Loss,ADFL)を用いて,HR画像と地絡画像の周波数ギャップを最小化する。 推論の際には,低分解能(LR)画像と地軸画像のスペクトルコヒーレンスを維持するために受容場を拡張した。
  論文  参考訳（メタデータ） (2024-08-25T03:53:17Z)
• ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
  単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。 本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:45:14Z)
• Multi-scale frequency separation network for image deblurring [10.511076996096117]
  本稿では,マルチスケール周波数分離ネットワーク (MSFS-Net) を用いた画像分解手法を提案する。 MSFS-Netは複数のスケールで画像の低周波・高周波情報をキャプチャする。 ベンチマークデータセットの実験により,提案したネットワークが最先端の性能を達成することが示された。
  論文  参考訳（メタデータ） (2022-06-01T23:48:35Z)
• FreqNet: A Frequency-domain Image Super-Resolution Network with Dicrete Cosine Transform [16.439669339293747]
  単一画像超解像(SISR)は低分解能(LR)入力から高分解能(HR)出力を得ることを目的とした不適切な問題である。 高ピーク信号-雑音比(PSNR)の結果にもかかわらず、モデルが望まれる高周波の詳細を正しく付加するかどうかを判断することは困難である。 本稿では、周波数領域の観点から直感的なパイプラインであるFreqNetを提案し、この問題を解決する。
  論文  参考訳（メタデータ） (2021-11-21T11:49:12Z)
• Wavelet-Based Network For High Dynamic Range Imaging [64.66969585951207]
  光学フローベースやエンド・ツー・エンドのディープラーニングベースのソリューションのような既存の方法は、詳細な復元やゴーストを除去する際にエラーを起こしやすい。 本研究では、周波数領域でHDR融合を行うための新しい周波数誘導型エンド・ツー・エンドディープニューラルネットワーク(FNet)を提案し、ウェーブレット変換(DWT)を用いて入力を異なる周波数帯域に分解する。 低周波信号は特定のゴーストアーティファクトを避けるために使用され、高周波信号は詳細を保存するために使用される。
  論文  参考訳（メタデータ） (2021-08-03T12:26:33Z)
• Frequency Consistent Adaptation for Real World Super Resolution [64.91914552787668]
  実シーンにスーパーリゾリューション(SR)法を適用する際に周波数領域の整合性を保証する新しい周波数一貫性適応(FCA)を提案する。 監視されていない画像から劣化カーネルを推定し、対応するLow-Resolution (LR)画像を生成する。 ドメイン一貫性のあるLR-HRペアに基づいて、容易に実装可能な畳み込みニューラルネットワーク(CNN)SRモデルを訓練する。
  論文  参考訳（メタデータ） (2020-12-18T08:25:39Z)
• Learning Omni-frequency Region-adaptive Representations for Real Image Super-Resolution [37.74756727980146]
  リアル画像のスーパーレゾリューション(RealSR)問題を解決する鍵は、インフォメーティブでコンテンツアウェアな機能表現の学習にあります。 本稿では,両課題に対処するOmni- frequency Region-Adaptive Network (ORNet)を提案する。
  論文  参考訳（メタデータ） (2020-12-11T05:17:38Z)
• Boosting Image Super-Resolution Via Fusion of Complementary Information Captured by Multi-Modal Sensors [21.264746234523678]
  イメージスーパーレゾリューション(sr)は、低解像度光センサの画質を向上させる有望な技術である。 本稿では,安価なチャネル(可視・深度)からの補完情報を活用して,少ないパラメータを用いて高価なチャネル(熱)の画像品質を向上させる。
  論文  参考訳（メタデータ） (2020-12-07T02:15:28Z)
• Hyperspectral Image Super-resolution via Deep Progressive Zero-centric Residual Learning [62.52242684874278]
  空間情報とスペクトル情報の相互モダリティ分布が問題となる。 本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。 本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
  論文  参考訳（メタデータ） (2020-06-18T06:32:11Z)

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。