論文の概要: Recurrent Structure Attention Guidance for Depth Super-Resolution

• arxiv url: http://arxiv.org/abs/2301.13419v1
• Date: Tue, 31 Jan 2023 05:18:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-01 17:35:09.733752
• Title: Recurrent Structure Attention Guidance for Depth Super-Resolution
• Title（参考訳）: 超解像深部における繰り返し構造注意誘導
• Authors: Jiayi Yuan, Haobo Jiang, Xiang Li, Jianjun Qian, Jun Li, Jian Yang
• Abstract要約: 我々は2つの重要な部分からなるRSAG(Recurrent Structure attention guideed)フレームワークを開発した。 まず,適応周波数領域分離のためのマルチスケールフィルタを用いたディープコントラストネットワークを提案する。 第2に、最新の深度推定と画像特徴を反復的に利用して、明確なパターンと境界を共同で選択する、繰り返し構造注意ブロックを提案する。
• 参考スコア（独自算出の注目度）: 28.63334760296165
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image guidance is an effective strategy for depth super-resolution. Generally, most existing methods employ hand-crafted operators to decompose the high-frequency (HF) and low-frequency (LF) ingredients from low-resolution depth maps and guide the HF ingredients by directly concatenating them with image features. However, the hand-designed operators usually cause inferior HF maps (e.g., distorted or structurally missing) due to the diverse appearance of complex depth maps. Moreover, the direct concatenation often results in weak guidance because not all image features have a positive effect on the HF maps. In this paper, we develop a recurrent structure attention guided (RSAG) framework, consisting of two important parts. First, we introduce a deep contrastive network with multi-scale filters for adaptive frequency-domain separation, which adopts contrastive networks from large filters to small ones to calculate the pixel contrasts for adaptive high-quality HF predictions. Second, instead of the coarse concatenation guidance, we propose a recurrent structure attention block, which iteratively utilizes the latest depth estimation and the image features to jointly select clear patterns and boundaries, aiming at providing refined guidance for accurate depth recovery. In addition, we fuse the features of HF maps to enhance the edge structures in the decomposed LF maps. Extensive experiments show that our approach obtains superior performance compared with state-of-the-art depth super-resolution methods.
• Abstract（参考訳）: 画像誘導は深度超解像に有効な戦略である。 既存のほとんどの手法では手作りの演算子を用いて、低分解能深度マップから高周波(HF)および低周波(LF)成分を分解し、画像特徴と直接結合することでHF成分を誘導する。 しかし、手設計のオペレーターは通常、複雑な深度マップの外観が多様であるため、hfマップ(例えば歪んだり、構造的に欠けたり)を引き起こす。 さらに、全ての画像特徴がhfマップに正の影響を与えるわけではないため、直接連結化はしばしば弱い誘導をもたらす。 本稿では,2つの重要な部分からなるrsag(recurrent structure attention guided)フレームワークを開発した。 まず,適応周波数領域分離のためのマルチスケールフィルタを用いた深層コントラストネットワークを導入し,大規模フィルタから小型フィルタへのコントラストネットワークを適用し,高画質hf予測のための画素コントラストを計算する。 第2に,粗結合誘導の代わりに,最新の深度推定と画像特徴を反復的に活用し,明瞭なパターンと境界を同時選択し,高精度な奥行き復元のための高精度なガイダンスを提供することを目的とした再帰的構造注意ブロックを提案する。 さらに,分解したLFマップのエッジ構造を強化するために,HFマップの特徴を融合する。 実験により,本手法は最先端の深度超解像法と比較して優れた性能が得られることが示された。

関連論文リスト

• WTDUN: Wavelet Tree-Structured Sampling and Deep Unfolding Network for Image Compressed Sensing [51.94493817128006]
  マルチスケールウェーブレットサブバンド上で直接動作するWTDUNという新しいウェーブレットドメインの深層展開フレームワークを提案する。 本手法は,ウェーブレット係数の固有間隔とマルチスケール構造を利用して,木構造によるサンプリングと再構成を実現する。
  論文  参考訳（メタデータ） (2024-11-25T12:31:03Z)
• Hi-Map: Hierarchical Factorized Radiance Field for High-Fidelity Monocular Dense Mapping [51.739466714312805]
  ニューラルラジアンス場(NeRF)に基づく新しいモノクリン高密度マッピング手法であるHi-Mapを導入する。 ハイマップは、RGB入力のみを用いた効率的かつ高忠実なマッピングを実現する能力において例外的である。
  論文  参考訳（メタデータ） (2024-01-06T12:32:25Z)
• SGNet: Structure Guided Network via Gradient-Frequency Awareness for Depth Map Super-Resolution [17.847216843129342]
  深度超解像は高分解能(HR)深度を低分解能(LR)深度から復元することを目的としており、そこではRGB画像がこの課題を促進するためにしばしば使用される。 最近の画像誘導型DSRアプローチは、主に深度構造を再構築するための空間領域に焦点を当てている。 本稿では、勾配や周波数領域にもっと注意を払う構造案内ネットワーク(SGNet)を提案する。
  論文  参考訳（メタデータ） (2023-12-10T07:17:06Z)
• Symmetric Uncertainty-Aware Feature Transmission for Depth Super-Resolution [52.582632746409665]
  カラー誘導DSRのためのSymmetric Uncertainty-aware Feature Transmission (SUFT)を提案する。 本手法は最先端の手法と比較して優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-06-01T06:35:59Z)
• Structure Flow-Guided Network for Real Depth Super-Resolution [28.63334760296165]
  本稿では,新しい構造フロー誘導深度超解像(DSR)フレームワークを提案する。 クロスモダリティフローマップを学習し、RGB構造情報転送を正確に深度アップサンプリングするためのガイドする。 我々のフレームワークは最先端の手法と比較して優れた性能を実現している。
  論文  参考訳（メタデータ） (2023-01-31T05:13:55Z)
• Unpaired Overwater Image Defogging Using Prior Map Guided CycleGAN [60.257791714663725]
  オーバーウォーターシーンで画像をデフォグするための先行マップガイドサイクロン (PG-CycleGAN) を提案する。 提案手法は,最先端の教師付き,半教師付き,非教師付きデグジングアプローチより優れている。
  論文  参考訳（メタデータ） (2022-12-23T03:00:28Z)
• RigNet: Repetitive Image Guided Network for Depth Completion [20.66405067066299]
  近年のアプローチは、高密度な結果を予測するためのイメージガイド学習に重点を置いている。 ぼやけたイメージガイダンスとオブジェクト構造は、まだイメージガイドされたフレームワークのパフォーマンスを妨げている。 画像案内ネットワークにおける反復的な設計を探索し,徐々に深度値の回復を図る。 提案手法は,NYUv2データセットの最先端化を実現し,提出時のKITTIベンチマークで1位にランクインする。
  論文  参考訳（メタデータ） (2021-07-29T08:00:33Z)
• High-resolution Depth Maps Imaging via Attention-based Hierarchical Multi-modal Fusion [84.24973877109181]
  誘導DSRのための新しい注意に基づく階層型マルチモーダル融合ネットワークを提案する。 本手法は,再現精度,動作速度,メモリ効率の点で最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:28:33Z)
• Structure-Preserving Super Resolution with Gradient Guidance [87.79271975960764]
  単一画像超解像(SISR)の構造 最近のGAN(Generative Adversarial Network)による研究は、SISRの開発を促進している。 しかし、復元された画像には常に望ましくない構造歪みがある。
  論文  参考訳（メタデータ） (2020-03-29T17:26:58Z)

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。