Fugu-MT 論文翻訳(概要): Infrared Image Super-Resolution: Systematic Review, and Future Trends

論文の概要: Infrared Image Super-Resolution: Systematic Review, and Future Trends

arxiv url: http://arxiv.org/abs/2212.12322v2
Date: Wed, 15 Nov 2023 08:53:29 GMT
ステータス: 処理完了
システム内更新日: 2023-11-16 21:03:23.262334
Title: Infrared Image Super-Resolution: Systematic Review, and Future Trends
Title（参考訳）: 赤外線超解像 : システムレビューと今後の展望
Authors: Yongsong Huang, Tomo Miyazaki, Xiaofeng Liu, Shinichiro Omachi
Abstract要約: 赤外線画像(または熱画像)の超解像は、深層学習の発展における継続的な関心事である。この調査は、IR画像の超解像の総合的な展望を提供することを目的としている。現在の技術における欠陥と、コミュニティが探求する有望な方向性が強調されている。
参考スコア（独自算出の注目度）: 8.56737571058847
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Image Super-Resolution (SR) is essential for a wide range of computer vision and image processing tasks. Investigating infrared (IR) image (or thermal images) super-resolution is a continuing concern within the development of deep learning. This survey aims to provide a comprehensive perspective of IR image super-resolution, including its applications, hardware imaging system dilemmas, and taxonomy of image processing methodologies. In addition, the datasets and evaluation metrics in IR image super-resolution tasks are also discussed. Furthermore, the deficiencies in current technologies and possible promising directions for the community to explore are highlighted. To cope with the rapid development in this field, we intend to regularly update the relevant excellent work at \url{https://github.com/yongsongH/Infrared_Image_SR_Survey
Abstract（参考訳）: Image Super-Resolution (SR) は、幅広いコンピュータビジョンと画像処理タスクに不可欠である。赤外線画像(または熱画像)の超解像は、深層学習の発展における継続的な関心事である。本研究の目的は、IR画像の超解像の総合的な展望を提供することであり、その応用、ハードウェアイメージングシステムジレンマ、画像処理手法の分類などである。さらに、IR画像超解像タスクにおけるデータセットと評価指標についても論じる。さらに、現在の技術における欠陥や、コミュニティが探究する有望な方向性が強調されている。この分野での急速な開発に対処するため、我々は、関連する優れた仕事を定期的に更新するつもりです。

関連論文リスト

Dehazing Remote Sensing and UAV Imagery: A Review of Deep Learning, Prior-based, and Hybrid Approaches [4.516330345599765]
高品質な画像は、リモートセンシングおよびUAVアプリケーションに不可欠である。大気ヘイズは画像の質を著しく低下させ画像の劣化を重要な研究領域にします
論文参考訳（メタデータ） (2024-05-13T07:35:24Z)
RS-Mamba for Large Remote Sensing Image Dense Prediction [58.12667617617306]
本稿では,大規模なVHRリモートセンシング画像における高密度予測タスクに対するリモートセンシング・マンバ(RSM)を提案する。 RSMは、線形複雑度でリモートセンシング画像のグローバルなコンテキストを捉えるように設計されている。我々のモデルは、大規模なリモートセンシング画像の変換器ベースモデルよりも効率と精度がよい。
論文参考訳（メタデータ） (2024-04-03T12:06:01Z)
Infrared Image Super-Resolution via GAN [3.2199000920848486]
赤外線画像超解像領域における生成モデルの適用の概要について概説する。我々は、IR画像超解像のための生成モデルの適用について、さらなる研究と発展のための潜在的な領域を提案する。
論文参考訳（メタデータ） (2023-12-01T16:16:46Z)
Guided Depth Map Super-resolution: A Survey [88.54731860957804]
誘導深度マップ超解像(GDSR)は、高分解能(HR)深度マップを低分解能(LR)観測から2枚のHRカラー画像の助けを借りて再構成することを目的としている。近年,特に強力な深層学習技術を用いて,斬新で効果的なアプローチが多数提案されている。この調査は、GDSRの最近の進歩に関する包括的調査を提示する試みである。
論文参考訳（メタデータ） (2023-02-19T15:43:54Z)
Efficient High-Resolution Deep Learning: A Survey [90.76576712433595]
スマートフォン、衛星、医療機器などの現代の機器のカメラは、非常に高解像度の画像やビデオを撮影することができる。このような高解像度データは、がん検出、自動道路ナビゲーション、天気予報、監視、農業プロセスの最適化、その他多くの応用のためのディープラーニングモデルによって処理される。ディープラーニングモデルの直接入力として高解像度の画像とビデオを使用することで、パラメータの多さ、計算コスト、推論レイテンシ、GPUメモリ使用量など、多くの課題が生じる。文献におけるいくつかの研究は、高解像度データの課題に対処し、ハードウェアの制限に従いながら精度とスピードを改善するために、より良い代替案を提案する。
論文参考訳（メタデータ） (2022-07-26T17:13:53Z)
Deep Posterior Distribution-based Embedding for Hyperspectral Image Super-resolution [75.24345439401166]
本稿では,高スペクトル画像の高次元空間スペクトル情報を効率的に効率的に埋め込む方法について述べる。我々は,HS埋め込みを,慎重に定義されたHS埋め込みイベントの集合の後方分布の近似として定式化する。そして,提案手法を物理的に解釈可能なソース一貫性超解像フレームワークに組み込む。 3つの一般的なベンチマークデータセットに対する実験により、PDE-Netは最先端の手法よりも優れた性能を発揮することが示された。
論文参考訳（メタデータ） (2022-05-30T06:59:01Z)
Infrared Image Super-Resolution via Heterogeneous Convolutional WGAN [4.6667021835430145]
我々は、ヘテロジニアスカーネルベースの超解像ワッサースタインGAN(HetSRWGAN)をIR画像の超解像に用いるフレームワークを提案する。 HetSRWGANは定性評価と定量的評価の両方において一貫して優れた性能を発揮する。
論文参考訳（メタデータ） (2021-09-02T14:01:05Z)
Deep Burst Super-Resolution [165.90445859851448]
バースト超解像タスクのための新しいアーキテクチャを提案する。我々のネットワークは複数のノイズRAW画像を入力として取り出し、出力として分解された超解像RGB画像を生成する。実世界のデータのトレーニングと評価を可能にするため,BurstSRデータセットも導入する。
論文参考訳（メタデータ） (2021-01-26T18:57:21Z)
Multi-image Super Resolution of Remotely Sensed Images using Residual Feature Attention Deep Neural Networks [1.3764085113103222]
本研究は,マルチイメージ超解像課題に効果的に取り組む新しい残像注意モデル(RAMS)を提案する。本研究では,3次元畳み込みによる視覚特徴の注意機構を導入し,意識的なデータ融合と情報抽出を実現する。我々の表現学習ネットワークは、冗長な低周波信号を流すためにネストした残差接続を広範囲に利用している。
論文参考訳（メタデータ） (2020-07-06T22:54:02Z)
Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
論文参考訳（メタデータ） (2020-03-15T11:04:30Z)

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。