論文の概要: Waving Goodbye to Low-Res: A Diffusion-Wavelet Approach for Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2304.01994v2
• Date: Wed, 5 Apr 2023 11:57:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-06 14:32:28.106555
• Title: Waving Goodbye to Low-Res: A Diffusion-Wavelet Approach for Image Super-Resolution
• Title（参考訳）: 低解像度にさようなら:画像の超高解像度化のための拡散ウェーブレットアプローチ
• Authors: Brian Moser, Stanislav Frolov, Federico Raue, Sebastian Palacio, Andreas Dengel
• Abstract要約: 本稿では、単一画像超解像(SISR)のための新しい拡散ウェーブレット(DiWa)アプローチを提案する。 拡散確率モデル(DDPM)と離散ウェーブレット変換(DWT)の長所を利用する。 DDPMをDWT領域で動作させることで、ウェーブレットスペクトル上の超解像に対する高周波情報を効果的に幻覚する。
• 参考スコア（独自算出の注目度）: 4.255342416942236
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a novel Diffusion-Wavelet (DiWa) approach for Single-Image Super-Resolution (SISR). It leverages the strengths of Denoising Diffusion Probabilistic Models (DDPMs) and Discrete Wavelet Transformation (DWT). By enabling DDPMs to operate in the DWT domain, our DDPM models effectively hallucinate high-frequency information for super-resolved images on the wavelet spectrum, resulting in high-quality and detailed reconstructions in image space. Quantitatively, we outperform state-of-the-art diffusion-based SISR methods, namely SR3 and SRDiff, regarding PSNR, SSIM, and LPIPS on both face (8x scaling) and general (4x scaling) SR benchmarks. Meanwhile, using DWT enabled us to use fewer parameters than the compared models: 92M parameters instead of 550M compared to SR3 and 9.3M instead of 12M compared to SRDiff. Additionally, our method outperforms other state-of-the-art generative methods on classical general SR datasets while saving inference time. Finally, our work highlights its potential for various applications.
• Abstract（参考訳）: 本稿では,単一画像超解法(SISR)のための新しい拡散ウェーブレット(DiWa)手法を提案する。 これは拡散確率モデル(ddpms)と離散ウェーブレット変換(dwt)の強みを利用する。 DDPMをDWT領域で動作させることにより、私たちのDDPMモデルはウェーブレットスペクトル上の超解像の高周波情報を効果的に幻覚させ、高品質で詳細な画像空間再構成を実現する。 本手法は,PSNR,SSIM,LPIPSの両面 (8倍スケーリング) と一般 (4倍スケーリング) のSRベンチマークにおいて,SR3 と SRDiff という最先端拡散に基づく SISR 法より優れている。 一方、DWTを使用することで、比較したモデルよりも少ないパラメータを使用できる。SRDiffと比較して、SR3よりも550M、SRDiffより9.3Mのパラメータが92Mである。 さらに,従来の一般的なsrデータセットでは,推論時間を節約しながら,最先端生成手法よりも優れる手法である。 最後に、我々の研究は様々なアプリケーションの可能性を強調します。

関連論文リスト

• Advancing Super-Resolution in Neural Radiance Fields via Variational Diffusion Strategies [0.0]
  本稿では,ニューラルレンダリングにおけるビュー一貫性超解像(SR)のための拡散誘導フレームワークを提案する。 提案手法は,既存の2次元SRモデルと,変分スコア蒸留(VSD)やLoRAファインチューニングヘルパなどの高度な技術を組み合わせたものである。
  論文  参考訳（メタデータ） (2024-10-22T00:02:26Z)
• Generating Content for HDR Deghosting from Frequency View [56.103761824603644]
  近年の拡散モデル (DM) はHDRイメージング分野に導入されている。 DMは画像全体を推定するために大きなモデルで広範囲の反復を必要とする。 ゴーストフリーHDRイメージングのための低周波数対応拡散(LF-Diff)モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-01T01:32:11Z)
• Dynamic Attention-Guided Diffusion for Image Super-Resolution [9.398135472047132]
  画像超解法(SR)における拡散モデルは、すべての画像領域を均一に処理し、全体の画質を損なうリスクがある。 画像SRのための動的注意誘導拡散プロセス「あなた専用拡散領域」(YODA)を提案する。 我々は,先進拡散法SR3,DiffBIR,SRDiffを拡張することで,YODAを実証的に検証する。 実験では,PSNR,SSIM,LPIPSの計測値にまたがって,対面および一般SRタスクにおける新しい最先端性能を示す。
  論文  参考訳（メタデータ） (2023-08-15T18:27:03Z)
• ResShift: Efficient Diffusion Model for Image Super-resolution by Residual Shifting [70.83632337581034]
  拡散に基づく画像超解像法(SR)は主に低推論速度によって制限される。 本稿では,SRの拡散段数を大幅に削減する新しい,効率的な拡散モデルを提案する。 本手法は,残差をシフトすることで高分解能画像と低分解能画像の間を移動させるマルコフ連鎖を構成する。
  論文  参考訳（メタデータ） (2023-07-23T15:10:02Z)
• DWA: Differential Wavelet Amplifier for Image Super-Resolution [4.255342416942236]
  Differential Wavelet Amplifier (DWA)は、ウェーブレットベースの画像スーパーリゾリューション(SR)のためのドロップインモジュールである。 提案するDWAモデルは、2つの畳み込みフィルタの違いを利用してウェーブレットベースのSRモデルを改善する。 既存のSRモデル、例えばDWSRやMWCNNに組み込むことで、その効果を示し、古典的SRタスクの明確な改善を示す。
  論文  参考訳（メタデータ） (2023-07-10T14:35:12Z)
• ACDMSR: Accelerated Conditional Diffusion Models for Single Image Super-Resolution [84.73658185158222]
  本稿では,ACDMSRと呼ばれる拡散モデルに基づく超解像法を提案する。 提案手法は, 決定論的反復分解過程を通じて超解像を行うために, 標準拡散モデルに適応する。 提案手法は,低解像度画像に対してより視覚的に現実的な表現を生成し,現実的なシナリオにおけるその有効性を強調した。
  論文  参考訳（メタデータ） (2023-07-03T06:49:04Z)
• Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
  拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。 本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
  論文  参考訳（メタデータ） (2023-06-01T03:08:28Z)
• CDPMSR: Conditional Diffusion Probabilistic Models for Single Image Super-Resolution [91.56337748920662]
  拡散確率モデル(DPM)は画像から画像への変換において広く採用されている。 単純だが自明なDPMベースの超解像後処理フレームワーク,すなわちcDPMSRを提案する。 本手法は, 定性的および定量的な結果の両面において, 先行試行を超越した手法である。
  論文  参考訳（メタデータ） (2023-02-14T15:13:33Z)
• SRDiff: Single Image Super-Resolution with Diffusion Probabilistic Models [19.17571465274627]
  単一の画像スーパーリゾリューション(SISR)は、与えられた低リゾリューション(LR)画像から高解像度(HR)画像を再構成することを目的とする。 新規な単像超解像拡散確率モデル(SRDiff)を提案する。 SRDiffはデータ可能性の変動境界の変種に最適化されており、多様で現実的なSR予測を提供することができる。
  論文  参考訳（メタデータ） (2021-04-30T12:31:25Z)
• Image Super-Resolution via Iterative Refinement [53.57766722279425]
  SR3は再精製による超解像へのアプローチである。 確率的デノイジング拡散モデルを条件付き画像生成に適応させる。 様々な倍率係数の超分解能タスクに強い性能を示す。
  論文  参考訳（メタデータ） (2021-04-15T17:50:42Z)

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。