論文の概要: Efficient Image Super-Resolution with Feature Interaction Weighted Hybrid Network

• arxiv url: http://arxiv.org/abs/2212.14181v2
• Date: Fri, 13 Sep 2024 09:55:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-17 00:06:41.821402
• Title: Efficient Image Super-Resolution with Feature Interaction Weighted Hybrid Network
• Title（参考訳）: 特徴相互作用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法
• Authors: Wenjie Li, Juncheng Li, Guangwei Gao, Weihong Deng, Jian Yang, Guo-Jun Qi, Chia-Wen Lin,
• Abstract要約: 軽量画像超解像は、低解像度画像から低計算コストで高解像度画像を再構成することを目的としている。 既存の方法では、活性化関数による中間層の特徴が失われる。 本稿では,中間的特徴損失が再構成品質に与える影響を最小限に抑えるために,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。
• 参考スコア（独自算出の注目度）: 101.53907377000445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lightweight image super-resolution aims to reconstruct high-resolution images from low-resolution images using low computational costs. However, existing methods result in the loss of middle-layer features due to activation functions. To minimize the impact of intermediate feature loss on reconstruction quality, we propose a Feature Interaction Weighted Hybrid Network (FIWHN), which comprises a series of Wide-residual Distillation Interaction Block (WDIB) as the backbone. Every third WDIB forms a Feature Shuffle Weighted Group (FSWG) by applying mutual information shuffle and fusion. Moreover, to mitigate the negative effects of intermediate feature loss, we introduce Wide Residual Weighting units within WDIB. These units effectively fuse features of varying levels of detail through a Wide-residual Distillation Connection (WRDC) and a Self-Calibrating Fusion (SCF). To compensate for global feature deficiencies, we incorporate a Transformer and explore a novel architecture to combine CNN and Transformer. We show that our FIWHN achieves a favorable balance between performance and efficiency through extensive experiments on low-level and high-level tasks. Codes will be available at \url{https://github.com/IVIPLab/FIWHN}.
• Abstract（参考訳）: 軽量画像超解像は、低解像度画像から低計算コストで高解像度画像を再構成することを目的としている。 しかし, 既存の手法では, アクティベーション関数による中間層の特徴が失われる。 中間機能損失が復元品質に与える影響を最小限に抑えるため, 一連のワイド・残留蒸留相互作用ブロック(WDIB)をバックボーンと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。 3分の1のWDIBは、相互情報シャッフルと融合を適用してFSWG(Feature Shuffle Weighted Group)を形成する。 さらに,中間的特徴損失の負の効果を軽減するため,WDIB内のワイド残留重み付けユニットを導入する。 これらのユニットは、WRDC(Wide-Residual Distillation Connection)とSCF(Self-Calibrating Fusion)を通じて、様々な詳細レベルの特徴を効果的に融合させる。 グローバルな機能不足を補うため,Transformerを導入し,CNNとTransformerを組み合わせた新しいアーキテクチャを探索する。 FIWHNは,低レベルタスクと高レベルタスクの広範な実験を通じて,性能と効率のバランスを良好に実現していることを示す。 コードは \url{https://github.com/IVIPLab/FIWHN} で入手できる。

関連論文リスト

• Joint multi-dimensional dynamic attention and transformer for general image restoration [14.987034136856463]
  屋外のイメージは 雨や迷路、騒音などによって 深刻な劣化に苦しむことが多い 現在の画像復元法は、効率を保ちながら複雑な劣化を扱うのに苦労している。 本稿では,多次元動的注意と自己注意を組み合わせた新しい画像復元アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-11-12T15:58:09Z)
• Multi-Level Feature Fusion Network for Lightweight Stereo Image Super-Resolution [12.066710423371559]
  軽量ステレオ画像超解像(MFFSSR)のための効率的なマルチレベル特徴融合ネットワークを提案する。 MFFSSRは、ハイブリットアテンション特徴抽出ブロック(HAFEB)を使用して、マルチレベルなイントラビュー特徴を抽出する。 より少ないパラメータで優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-05-09T02:01:51Z)
• HAT: Hybrid Attention Transformer for Image Restoration [61.74223315807691]
  トランスフォーマーに基づく手法は、画像の超解像や復調といった画像復元タスクにおいて顕著な性能を示している。 本稿では,新たなHAT(Hybrid Attention Transformer)を提案する。 我々のHATは,定量的かつ定性的に,最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-09-11T05:17:55Z)
• 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)
• RBSR: Efficient and Flexible Recurrent Network for Burst Super-Resolution [57.98314517861539]
  バースト超解像(BurstSR)は、高解像度(HR)画像を低解像度(LR)画像と雑音画像から再構成することを目的としている。 本稿では,効率よくフレキシブルなリカレントネットワークでフレーム単位のキューを融合させることを提案する。
  論文  参考訳（メタデータ） (2023-06-30T12:14:13Z)
• CDDFuse: Correlation-Driven Dual-Branch Feature Decomposition for Multi-Modality Image Fusion [138.40422469153145]
  本稿では,CDDFuse(Relationed-Driven Feature Decomposition Fusion)ネットワークを提案する。 近赤外可視画像融合や医用画像融合など,複数の融合タスクにおいてCDDFuseが有望な結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-11-26T02:40:28Z)
• 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)
• 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。