論文の概要: Guided Depth Map Super-resolution: A Survey

• arxiv url: http://arxiv.org/abs/2302.09598v1
• Date: Sun, 19 Feb 2023 15:43:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-21 17:31:23.038952
• Title: Guided Depth Map Super-resolution: A Survey
• Title（参考訳）: ガイド付き深度マップの超高解像度化:サーベイ
• Authors: Zhiwei Zhong, Xianming Liu, Junjun Jiang, Debin Zhao, Xiangyang Ji
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 88.54731860957804
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Guided depth map super-resolution (GDSR), which aims to reconstruct a high-resolution (HR) depth map from a low-resolution (LR) observation with the help of a paired HR color image, is a longstanding and fundamental problem, it has attracted considerable attention from computer vision and image processing communities. A myriad of novel and effective approaches have been proposed recently, especially with powerful deep learning techniques. This survey is an effort to present a comprehensive survey of recent progress in GDSR. We start by summarizing the problem of GDSR and explaining why it is challenging. Next, we introduce some commonly used datasets and image quality assessment methods. In addition, we roughly classify existing GDSR methods into three categories, i.e., filtering-based methods, prior-based methods, and learning-based methods. In each category, we introduce the general description of the published algorithms and design principles, summarize the representative methods, and discuss their highlights and limitations. Moreover, the depth related applications are introduced. Furthermore, we conduct experiments to evaluate the performance of some representative methods based on unified experimental configurations, so as to offer a systematic and fair performance evaluation to readers. Finally, we conclude this survey with possible directions and open problems for further research. All the related materials can be found at \url{https://github.com/zhwzhong/Guided-Depth-Map-Super-resolution-A-Survey}.
• Abstract（参考訳）: 高分解能(HR)深度マップを低分解能(LR)観測から再構築することを目的としたガイド深度マップ超解像(GDSR)は,長年の課題であり,コンピュータビジョンや画像処理コミュニティからも注目されている。 近年,特に強力な深層学習技術を用いて,数多くの新しい効果的なアプローチが提案されている。 本調査は,近年のGDSRの動向を総合的に調査する試みである。 まず、GDSRの問題を要約し、なぜそれが難しいのかを説明する。 次に,一般的なデータセットと画像品質評価手法を紹介する。 さらに,既存のgdsr法を,フィルタリングベース法,事前ベース法,学習ベース法という3つのカテゴリに大まかに分類した。 それぞれのカテゴリにおいて,公開アルゴリズムと設計原則の一般的な説明,代表的な手法の要約,それらのハイライトと限界について論じる。 また、深度関連アプリケーションも導入されている。 さらに, 統一的な実験構成に基づく代表的な手法の性能評価実験を行い, 読者に系統的かつ公平な性能評価を提供する。 最後に、さらなる研究のために、この調査を可能な方向とオープンな問題で結論づける。 すべての関連物質は \url{https://github.com/zhwzhong/Guided-Depth-Map-Super- resolution-A-Survey} で見ることができる。

関連論文リスト

• Deep Graph Anomaly Detection: A Survey and New Perspectives [86.84201183954016]
  グラフ異常検出(GAD)は、異常なグラフインスタンス(ノード、エッジ、サブグラフ、グラフ)を特定することを目的とする。 ディープラーニングアプローチ、特にグラフニューラルネットワーク(GNN)は、GADにとって有望なパラダイムとして現れています。
  論文  参考訳（メタデータ） (2024-09-16T03:05:11Z)
• Hitchhiker's Guide to Super-Resolution: Introduction and Recent Advances [3.966405801901351]
  スーパーレゾリューション(SR)は繁栄する研究領域となっている。 有望な結果にもかかわらず、この分野はさらなる研究を必要とする課題に直面している。 このレビューは究極的には、研究者がSRに適用されるDLの境界を押し上げるのを助けることを目的としている。
  論文  参考訳（メタデータ） (2022-09-27T03:28:34Z)
• A Review of Landcover Classification with Very-High Resolution Remotely Sensed Optical Images-Analysis Unit,Model Scalability and Transferability [4.704131850850489]
  ランドカバー分類は、超高解像度(VHR)画像解析において最も難しい課題の1つである。 ディープラーニング(DL)に基づく土地被覆手法とトレーニング戦略の急速な増加が最先端であると主張されているため、既に断片化された土地被覆マッピング手法の技術的景観はさらに複雑である。
  論文  参考訳（メタデータ） (2022-02-07T16:38:40Z)
• Deep Image Deblurring: A Survey [165.32391279761006]
  低レベルのコンピュータビジョンにおいて、デブロアリングは古典的な問題であり、ぼやけた入力画像からシャープなイメージを復元することを目的としている。 近年のディープラーニングの進歩は、この問題の解決に大きな進歩をもたらした。
  論文  参考訳（メタデータ） (2022-01-26T01:31:30Z)
• Blind Image Super-Resolution: A Survey and Beyond [43.316988709621604]
  ブラインド画像超解像(SR)は、未知の劣化を伴う低解像度画像の超解像を目指している。 長年の努力にもかかわらず、依然として挑戦的な研究課題として残っている。 本稿では,近年のブラインド画像SRの進歩を体系的に検討する。
  論文  参考訳（メタデータ） (2021-07-07T07:38:14Z)
• 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)
• A Survey on Deep Semi-supervised Learning [51.26862262550445]
  まず,既存の手法を分類した深層半指導学習の分類法を提案する。 次に、損失の種類、貢献度、アーキテクチャの違いの観点から、これらのメソッドを詳細に比較します。
  論文  参考訳（メタデータ） (2021-02-28T16:22:58Z)
• A Comprehensive Review of Deep Learning-based Single Image Super-resolution [4.234711903716694]
  この調査は、ディープラーニングの観点からの超解像の分野での最近の進歩を詳細に調査する試みである。 本調査は,画像sr法を,古典法,教師付き学習法,教師なし学習法,ドメイン固有sr法という4つのカテゴリに分類した。 SRの深層学習に基づくアプローチは参照データセットを用いて評価される。
  論文  参考訳（メタデータ） (2021-02-18T14:04:25Z)
• Video Super Resolution Based on Deep Learning: A Comprehensive Survey [87.30395002197344]
  深層学習に基づく33の最先端ビデオ超解像法(VSR)を包括的に検討した。 そこで本研究では,フレーム間情報を利用した分類手法を提案し,その手法を6つのサブカテゴリに分類する。 いくつかのベンチマークデータセットにおける代表的VSR法の性能を要約し比較する。
  論文  参考訳（メタデータ） (2020-07-25T13:39:54Z)

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。