論文の概要: Kernelized Back-Projection Networksfor Blind Super Resolution

• arxiv url: http://arxiv.org/abs/2302.08478v1
• Date: Thu, 16 Feb 2023 18:35:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-17 13:04:28.841987
• Title: Kernelized Back-Projection Networksfor Blind Super Resolution
• Title（参考訳）: ブラインドスーパーレゾリューションのためのカーネル化バックプロジェクションネットワーク
• Authors: Tomoki Yoshida, Yuki Kondo, Takahiro Maeda, Kazutoshi Akita, Norimichi Ukita
• Abstract要約: 超分解能(SR)は、任意の劣化によって劣化した低分解能(LR)画像の超分解に失敗する。 本稿では, ブラインドSRの劣化モデルに比較して, ブラインドカーネルを用いて訓練した非ブラインドSRは, ブラインドSRの劣化モデルと同等の性能を示すことを示す。
• 参考スコア（独自算出の注目度）: 8.016282068270362
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Since non-blind Super Resolution (SR) fails to super-resolve Low-Resolution (LR) images degraded by arbitrary degradations, SR with the degradation model is required. However, this paper reveals that non-blind SR that is trained simply with various blur kernels exhibits comparable performance as those with the degradation model for blind SR. This result motivates us to revisit high-performance non-blind SR and extend it to blind SR with blur kernels. This paper proposes two SR networks by integrating kernel estimation and SR branches in an iterative end-to-end manner. In the first model, which is called the Kernel Conditioned Back-Projection Network (KCBPN), the low-dimensional kernel representations are estimated for conditioning the SR branch. In our second model, the Kernelized BackProjection Network (KBPN), a raw kernel is estimated and directly employed for modeling the image degradation. The estimated kernel is employed not only for back-propagating its residual but also for forward-propagating the residual to iterative stages. This forward-propagation encourages these stages to learn a variety of different features in different stages by focusing on pixels with large residuals in each stage. Experimental results validate the effectiveness of our proposed networks for kernel estimation and SR. We will release the code for this work.
• Abstract（参考訳）: 非盲検超解像(SR)は、任意の劣化で劣化した低分解能画像の超解像化に失敗するため、劣化モデルによるSRが必要である。 しかし本論文では,ブラインドsrの劣化モデルと同等の性能を示す非ブラインドsrについて述べる。 この結果は、高性能な非盲検SRを再検討し、それをぼやけたカーネルを持つ盲検SRに拡張する動機となる。 本稿では、カーネル推定とSR分岐を反復的に統合した2つのSRネットワークを提案する。 Kernel Conditioned Back-Projection Network (KCBPN)と呼ばれる最初のモデルでは、SRブランチの条件付けのために低次元のカーネル表現が推定される。 2つ目のモデルであるKBPN(Kernelized BackProjection Network)では、生のカーネルを推定し、直接画像劣化をモデル化する。 推定されたカーネルは、残差をバックプロパゲーションするだけでなく、残差を反復ステージに前進させるためにも用いられる。 このフォワードプロパゲーションは、各ステージに大きな残差を持つピクセルに焦点をあてることで、これらのステージが異なるステージで様々な特徴を学ぶことを奨励する。 実験結果は,提案ネットワークによるカーネル推定とsrの有効性を検証する。 この作業のためにコードをリリースします。

関連論文リスト

• Dual-Diffusion: Dual Conditional Denoising Diffusion Probabilistic Models for Blind Super-Resolution Reconstruction in RSIs [6.2678394285548755]
  条件付きデノゲーション拡散確率モデル(DDPM)に基づく新しいブラインドSRフレームワークを提案する。 本研究では,カーネル推定の進展と再構築の進展という2つの側面から,条件付き分散確率モデル(DDPM)を導入する。 我々は、LR画像からHR画像へのマッピングを学習するためのDDPMベースの再構成器を構築する。
  論文  参考訳（メタデータ） (2023-05-20T11:18:38Z)
• Knowledge Distillation based Degradation Estimation for Blind Super-Resolution [146.0988597062618]
  Blind画像超解像(Blind-SR)は、対応する低解像度(LR)入力画像から高解像度(HR)画像を未知の劣化で復元することを目的としている。 劣化推定器のトレーニングを監督するために、複数の劣化組合せの具体的なラベルを提供することは不可能である。 本稿では,知識蒸留に基づく暗黙劣化推定ネットワーク(KD-IDE)と効率的なSRネットワークを提案する。
  論文  参考訳（メタデータ） (2022-11-30T11:59:07Z)
• 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)
• Kernel-aware Raw Burst Blind Super-Resolution [0.0]
  バースト超解像(SR)は、低画質の画像からリッチな詳細を復元する可能性を提供する。 既存の非盲点ネットワークは、高解像度(HR)画像の復元において、パフォーマンスが著しく低下する。 本稿では,カーネル対応の変形可能なアライメントモジュールを提案する。
  論文  参考訳（メタデータ） (2021-12-14T11:49:13Z)
• 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)
• Mutual Affine Network for Spatially Variant Kernel Estimation in Blind Image Super-Resolution [130.32026819172256]
  既存のブラインド画像超解像法(SR)は、ぼやけたカーネルが画像全体にわたって空間的に不変であると仮定する。 本稿では,空間変動カーネル推定のための相互アフィンネットワーク(MANet)を提案する。
  論文  参考訳（メタデータ） (2021-08-11T16:11:17Z)
• Blind Image Super-Resolution via Contrastive Representation Learning [41.17072720686262]
  マルチモーダルおよび空間変動分布を持つ画像のブラインドSRに着目したコントラスト表現学習ネットワークを設計する。 提案したCRL-SRは,ブラインド設定下でのマルチモーダル・空間変動劣化を効果的に処理可能であることを示す。 また、最先端のSR手法を質的に、定量的に上回る。
  論文  参考訳（メタデータ） (2021-07-01T19:34:23Z)
• End-to-end Alternating Optimization for Blind Super Resolution [68.395664154041]
  2段階の解決策は、2つの独立に訓練されたモデルを含む。 我々は、ボケカーネルを推定し、単一のモデルでSRイメージを復元することができる交互最適化アルゴリズムを採用しています。 我々のモデルは最先端の手法を大きく上回り、はるかに高速で視覚的に有利な結果が得られる。
  論文  参考訳（メタデータ） (2021-05-14T15:05:30Z)
• 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)
• Unfolding the Alternating Optimization for Blind Super Resolution [60.39409203244474]
  2段階の解決策は、2つの独立に訓練されたモデルを含む。 ボケカーネルを推定し,SR画像を1つのモデルで復元できる交互最適化アルゴリズムを採用する。 我々のモデルは最先端の手法を大きく上回り、はるかに高速で視覚的に有利な結果が得られる。
  論文  参考訳（メタデータ） (2020-10-06T11:27:27Z)
• 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。