論文の概要: Efficient Image Super-Resolution with Feature Interaction Weighted
Hybrid Network
- arxiv url: http://arxiv.org/abs/2212.14181v1
- Date: Thu, 29 Dec 2022 05:57:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 16:41:21.636194
- Title: Efficient Image Super-Resolution with Feature Interaction Weighted
Hybrid Network
- Title(参考訳): 特徴量重み付きハイブリッドネットワークを用いた高能率画像超解像
- Authors: Wenjie Li, Juncheng Li, Guangwei Gao, Weihong Deng, Jian Yang, Guo-Jun
Qi and Chia-Wen Lin
- Abstract要約: 本稿では、上記の問題を緩和する特徴相互作用重み付きハイブリッドネットワーク(FIWHN)を提案する。
具体的には、FIWHNは、バックボーンとしてのWDIB(Wide-Residual Distillation Interaction Blocks)のシリーズで構成されている。
CNNモデルに欠けているグローバル機能を補完するため、我々のモデルにTransformerを導入し、CNNとTransformerを組み合わせた新しい方法を模索した。
- 参考スコア(独自算出の注目度): 100.0415874554937
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, great progress has been made in single-image super-resolution
(SISR) based on deep learning technology. However, the existing methods usually
require a large computational cost. Meanwhile, the activation function will
cause some features of the intermediate layer to be lost. Therefore, it is a
challenge to make the model lightweight while reducing the impact of
intermediate feature loss on the reconstruction quality. In this paper, we
propose a Feature Interaction Weighted Hybrid Network (FIWHN) to alleviate the
above problem. Specifically, FIWHN consists of a series of novel Wide-residual
Distillation Interaction Blocks (WDIB) as the backbone, where every third WDIBs
form a Feature shuffle Weighted Group (FSWG) by mutual information mixing and
fusion. In addition, to mitigate the adverse effects of intermediate feature
loss on the reconstruction results, we introduced a well-designed Wide
Convolutional Residual Weighting (WCRW) and Wide Identical Residual Weighting
(WIRW) units in WDIB, and effectively cross-fused features of different
finenesses through a Wide-residual Distillation Connection (WRDC) framework and
a Self-Calibrating Fusion (SCF) unit. Finally, to complement the global
features lacking in the CNN model, we introduced the Transformer into our model
and explored a new way of combining the CNN and Transformer. Extensive
quantitative and qualitative experiments on low-level and high-level tasks show
that our proposed FIWHN can achieve a good balance between performance and
efficiency, and is more conducive to downstream tasks to solve problems in
low-pixel scenarios.
- Abstract(参考訳): 近年,深層学習技術に基づく単一画像超解像(SISR)が大幅に進歩している。
しかし、既存の手法は通常、大きな計算コストを必要とする。
一方、アクティベーション機能によって中間層のいくつかの特徴が失われる。
したがって,中間的特徴損失が復元品質に与える影響を低減しつつ,モデルを軽量化することが課題である。
本稿では、上記の問題を緩和する特徴相互作用重み付きハイブリッドネットワーク(FIWHN)を提案する。
具体的には、FIWHNは、WDIB(Wide-Residual Distillation Interaction Blocks)をバックボーンとして、各第3のWDIBが相互情報混合と融合によって特徴シャッフル重み群(Feature shuffle Weighted Group、FSWG)を形成する。
また, 中間的特徴損失が復元結果に与える影響を緩和するために, wdibにおいて, 十分に設計された広層畳み込み残留重み付け (wcrw) と広層同一の残留重み付け (wirw) ユニットを導入し, 広層蒸留接続 (wrdc) フレームワークと自己共役核融合 (scf) ユニットを介して, 異なる細さの特徴を効果的にクロスヒューズした。
最後に、CNNモデルに欠けているグローバル機能を補完するため、我々のモデルにTransformerを導入し、CNNとTransformerを組み合わせた新しい方法を模索した。
低レベルタスクと高レベルタスクの定量および定性的実験により、提案したFIWHNは、性能と効率のバランスが良く、低ピクセルシナリオにおける問題を解決するために下流タスクよりも導出性が高いことを示した。
関連論文リスト
- UNIQA: A Unified Framework for Both Full-Reference and No-Reference
Image Quality Assessment [53.895598734070695]
完全参照(FR)と非参照(NR)のIQAのための統一ネットワークを提案する。
入力画像から多レベル特徴を抽出するためにエンコーダを用いる。
FRおよびNR入力のユニバーサルアダプタとして階層自己認識(HSA)モジュールを提案する。
HSA と CSCA を採用することにより,提案ネットワークは FR と NR IQA の両方を効果的に実行することができる。
論文 参考訳(メタデータ) (2023-10-14T11:03:04Z) - Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。
CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。
DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文 参考訳(メタデータ) (2023-10-11T12:46:11Z) - Point-aware Interaction and CNN-induced Refinement Network for RGB-D
Salient Object Detection [95.84616822805664]
我々は,CNNによるトランスフォーマーアーキテクチャを導入し,ポイント・アウェア・インタラクションとCNNによるリファインメントを備えた新しいRGB-D SODネットワークを提案する。
トランスフォーマーがもたらすブロック効果とディテール破壊問題を自然に軽減するために,コンテンツリファインメントとサプリメントのためのCNNRユニットを設計する。
論文 参考訳(メタデータ) (2023-08-17T11:57:49Z) - Cross-Spatial Pixel Integration and Cross-Stage Feature Fusion Based
Transformer Network for Remote Sensing Image Super-Resolution [13.894645293832044]
変換器を用いたモデルでは、リモートセンシング画像超解像(RSISR)の競合性能が示されている。
本稿では,RSISRのための新しいトランスアーキテクチャであるCross-Spatial Pixel IntegrationとCross-Stage Feature Fusion Based Transformer Network (SPIFFNet)を提案する。
提案手法は,画像全体のグローバル認知と理解を効果的に促進し,機能統合の効率化を図っている。
論文 参考訳(メタデータ) (2023-07-06T13:19:06Z) - Measurement-Consistent Networks via a Deep Implicit Layer for Solving
Inverse Problems [0.0]
エンドツーエンドのディープニューラルネットワーク(DNN)は、逆問題を解決するための最先端のSOTA(State-of-the-art)になっている。
これらのネットワークは、トレーニングパイプラインの小さなバリエーションに敏感であり、小さなが重要な詳細を再構築することができないことが多い。
本稿では,逆問題に対して任意のDNNを計測一貫性に変換するフレームワークを提案する。
論文 参考訳(メタデータ) (2022-11-06T17:05:04Z) - Cross-receptive Focused Inference Network for Lightweight Image
Super-Resolution [64.25751738088015]
トランスフォーマーに基づく手法は、単一画像超解像(SISR)タスクにおいて顕著な性能を示した。
動的に特徴を抽出するために文脈情報を組み込む必要がある変換器は無視される。
我々は,CNNとTransformerを混合したCTブロックのカスケードで構成される,軽量なクロスレセプティブ・フォーカスド・推論・ネットワーク(CFIN)を提案する。
論文 参考訳(メタデータ) (2022-07-06T16:32:29Z) - Residual Local Feature Network for Efficient Super-Resolution [20.62809970985125]
本研究では,Residual Local Feature Network (RLFN)を提案する。
主なアイデアは、3つの畳み込みレイヤを局所的な特徴学習に使用して、機能の集約を単純化することだ。
さらに,NTIRE 2022の高効率超解像問題において,第1位を獲得した。
論文 参考訳(メタデータ) (2022-05-16T08:46:34Z) - Image Superresolution using Scale-Recurrent Dense Network [30.75380029218373]
畳み込みニューラルネットワーク(CNN)の設計の最近の進歩は、画像超解像(SR)の性能を大幅に向上させた。
残差ブロック内の一連の密接な接続を含む単位上に構築されたスケールリカレントSRアーキテクチャを提案する(Residual Dense Blocks (RDBs))。
我々のスケールリカレント設計は、現在の最先端のアプローチに比べてパラメトリックに効率的でありながら、より高いスケール要因の競合性能を提供する。
論文 参考訳(メタデータ) (2022-01-28T09:18:43Z) - Feature Distillation Interaction Weighting Network for Lightweight Image
Super-Resolution [25.50790871331823]
FDIWN(Feature Distillation Interaction Weighted Network)を提案する。
FDIWNは他のモデルよりも優れており、モデルの性能と効率のバランスが良い。
論文 参考訳(メタデータ) (2021-12-16T06:20:35Z) - Asymmetric CNN for image super-resolution [102.96131810686231]
深層畳み込みニューラルネットワーク(CNN)は、過去5年間で低レベルビジョンに広く適用されています。
画像超解像のための非対称ブロック(AB)、mem?ory拡張ブロック(MEB)、高周波数特徴強調ブロック(HFFEB)からなる非対称CNN(ACNet)を提案する。
我々のACNetは、ブラインドノイズの単一画像超解像(SISR)、ブラインドSISR、ブラインドSISRを効果的に処理できる。
論文 参考訳(メタデータ) (2021-03-25T07:10:46Z)
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。