Fugu-MT 論文翻訳(概要): Meta-Learned Kernel For Blind Super-Resolution Kernel Estimation

論文の概要: Meta-Learned Kernel For Blind Super-Resolution Kernel Estimation

arxiv url: http://arxiv.org/abs/2212.07886v2
Date: Mon, 30 Oct 2023 23:30:39 GMT
ステータス: 処理完了
システム内更新日: 2023-11-02 04:21:58.168368
Title: Meta-Learned Kernel For Blind Super-Resolution Kernel Estimation
Title（参考訳）: ブラインド超解像カーネル推定のためのメタラーニングカーネル
Authors: Royson Lee, Rui Li, Stylianos I. Venieris, Timothy Hospedales, Ferenc Husz\'ar, Nicholas D. Lane
Abstract要約: 本稿では,画像の分布に含まれる情報からメタ学習を行う学習学習アプローチを提案する。提案手法は,既存手法よりも14.24～102.1倍高速に推算できることを示す。
参考スコア（独自算出の注目度）: 22.437479940607332
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent image degradation estimation methods have enabled single-image super-resolution (SR) approaches to better upsample real-world images. Among these methods, explicit kernel estimation approaches have demonstrated unprecedented performance at handling unknown degradations. Nonetheless, a number of limitations constrain their efficacy when used by downstream SR models. Specifically, this family of methods yields i) excessive inference time due to long per-image adaptation times and ii) inferior image fidelity due to kernel mismatch. In this work, we introduce a learning-to-learn approach that meta-learns from the information contained in a distribution of images, thereby enabling significantly faster adaptation to new images with substantially improved performance in both kernel estimation and image fidelity. Specifically, we meta-train a kernel-generating GAN, named MetaKernelGAN, on a range of tasks, such that when a new image is presented, the generator starts from an informed kernel estimate and the discriminator starts with a strong capability to distinguish between patch distributions. Compared with state-of-the-art methods, our experiments show that MetaKernelGAN better estimates the magnitude and covariance of the kernel, leading to state-of-the-art blind SR results within a similar computational regime when combined with a non-blind SR model. Through supervised learning of an unsupervised learner, our method maintains the generalizability of the unsupervised learner, improves the optimization stability of kernel estimation, and hence image adaptation, and leads to a faster inference with a speedup between 14.24 to 102.1x over existing methods.
Abstract（参考訳）: 近年の画像劣化推定手法により,一像超解像(SR)による実世界の画像のアップサンプル化が可能となった。これらの手法のうち、明示的なカーネル推定手法は未知の劣化を扱う上で前例のない性能を示した。それでも、下流SRモデルで使用する場合、いくつかの制限が有効性を制限している。特に、この方法の族は、一画像毎の適応期間の長いことによる過度な推測時間二カーネルミスマッチによる画像の忠実度が劣ること。本研究では,画像の分布に含まれる情報からメタ学習を学習するアプローチを導入し,カーネル推定と画像忠実度の両方の性能を大幅に向上させるとともに,新たな画像への適応を著しく高速化する。具体的には, カーネル生成GANであるMetaKernelGANを, 新しいイメージが提示されると, ジェネレータがインフォームされたカーネル推定から始まり, 識別器は, パッチ分布を識別する強力な能力で開始する。最先端の手法と比較して,MetaKernelGANはカーネルの規模と共分散をよりよく推定し,非盲点SRモデルと組み合わせた場合,最先端の盲点SR結果が得られることを示した。教師なし学習者の教師なし学習を通じて、教師なし学習者の一般化性を維持し、カーネル推定の最適化安定性を改善し、画像適応を向上し、既存の手法よりも14.24から102.1倍の速度で高速な推論を実現する。

関連論文リスト

One Step Diffusion-based Super-Resolution with Time-Aware Distillation [60.262651082672235]
拡散に基づく画像超解像(SR)法は,低解像度画像から細部まで細部まで,高解像度画像の再構成に有望であることを示す。近年,拡散型SRモデルの知識蒸留によるサンプリング効率の向上が試みられている。我々は,効率的な画像超解像を実現するため,TAD-SRというタイムアウェア拡散蒸留法を提案する。
論文参考訳（メタデータ） (2024-08-14T11:47:22Z)
BlindDiff: Empowering Degradation Modelling in Diffusion Models for Blind Image Super-Resolution [52.47005445345593]
BlindDiff は SISR のブラインド劣化に対処するための DM ベースのブラインドSR 手法である。 BlindDiffはMAPベースの最適化をDMにシームレスに統合する。合成データセットと実世界のデータセットの両方の実験は、BlindDiffが最先端のパフォーマンスを達成することを示している。
論文参考訳（メタデータ） (2024-03-15T11:21:34Z)
SinSR: Diffusion-Based Image Super-Resolution in a Single Step [119.18813219518042]
拡散モデルに基づく超解像(SR)法は有望な結果を示す。しかし、それらの実践的応用は、必要な推論ステップのかなりの数によって妨げられている。本稿では,SinSRという単一ステップのSR生成を実現するための,シンプルで効果的な手法を提案する。
論文参考訳（メタデータ） (2023-11-23T16:21:29Z)
Generalized Expectation Maximization Framework for Blind Image Super Resolution [28.108363151431877]
視覚障害者のためのエンドツーエンド学習フレームワークを提案する。提案手法は,一般予測最大化(GEM)アルゴリズムに学習手法を統合し,最大推定(MLE)からHR画像を推定する。
論文参考訳（メタデータ） (2023-05-23T10:01:58Z)
Uncertainty-Aware Unsupervised Image Deblurring with Deep Residual Prior [23.417096880297702]
非ブラインドデブロワー法は、正確なぼやけたカーネル仮定の下で良好な性能を達成する。ドメイン知識を取り入れた手作りの事前処理は、一般的によく機能するが、カーネル(または誘導)エラーが複雑である場合には性能が低下する可能性がある。トレーニングデータの多様性と多さに過度に依存するデータ駆動事前は、アウト・オブ・ディストリビューションの曖昧さやイメージに対して脆弱である。本稿では,ぼやけた画像から潜像を復元し,不正確なぼやけたカーネルを復元する,教師なしセミブレンドデブロアリングモデルを提案する。
論文参考訳（メタデータ） (2022-10-09T11:10:59Z)
Unfolded Deep Kernel Estimation for Blind Image Super-resolution [23.798845090992728]
ブラインド画像超解像(BISR)は、未知のぼやけたカーネルとノイズによって劣化した低解像度画像から高解像度画像を再構成することを目的としている。我々は,我々の最良知識に対して初めて,データ項を高効率で明示的に解く,新しい展開深層カーネル推定法 (UDKE) を提案する。
論文参考訳（メタデータ） (2022-03-10T07:54:59Z)
Deep Constrained Least Squares for Blind Image Super-Resolution [36.71106982590893]
劣化モデルと2つの新しいモジュールを用いたブラインド画像超解像(SR)問題に取り組む。より具体的には、まず分解モデルを変えて、劣化するカーネル推定を低分解能空間に転送する。実験により,提案手法は最先端手法に対する精度の向上と視覚的改善を実現することが示された。
論文参考訳（メタデータ） (2022-02-15T15:32:11Z)
Spectrum-to-Kernel Translation for Accurate Blind Image Super-Resolution [33.59749785182318]
任意のぼかしカーネルで劣化したLR画像の超解像化のための新しいブラインドSRフレームワークを提案する。まず、周波数領域における特徴表現は、空間領域よりもカーネル再構成を曖昧にするため、より導出的であることを示す。合成画像と実画像の両方で実験した結果,提案手法はカーネル推定誤差を十分に低減することがわかった。
論文参考訳（メタデータ） (2021-10-23T06:03:22Z)
Flow-based Kernel Prior with Application to Blind Super-Resolution [143.21527713002354]
カーネル推定は一般にブラインド画像超解像(SR)の鍵となる問題の一つである本稿では,カーネルモデリングのための正規化フローベースカーネルプリレント(fkp)を提案する。合成および実世界の画像の実験により、提案したFKPがカーネル推定精度を大幅に向上することを示した。
論文参考訳（メタデータ） (2021-03-29T22:37:06Z)
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)
Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
論文参考訳（メタデータ） (2020-08-25T03:30:53Z)

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。