論文の概要: Gated Multi-Resolution Transfer Network for Burst Restoration and
Enhancement
- arxiv url: http://arxiv.org/abs/2304.06703v1
- Date: Thu, 13 Apr 2023 17:54:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-14 13:29:54.671464
- Title: Gated Multi-Resolution Transfer Network for Burst Restoration and
Enhancement
- Title（参考訳）: バースト復旧・拡張のためのゲート型マルチレゾリューション転送ネットワーク
- Authors: Nancy Mehta, Akshay Dudhane, Subrahmanyam Murala, Syed Waqas Zamir,
Salman Khan, Fahad Shahbaz Khan
- Abstract要約: 低画質の原画像のバーストから空間的精度の高い高画質画像を再構成する新しいGated Multi-Resolution Transfer Network (GMTNet)を提案する。
5つのデータセットに関する詳細な実験分析は、我々のアプローチを検証し、バースト超解像、バーストデノイング、低照度バーストエンハンスメントのための最先端技術を設定する。
- 参考スコア（独自算出の注目度）: 75.25451566988565
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Burst image processing is becoming increasingly popular in recent years.
However, it is a challenging task since individual burst images undergo
multiple degradations and often have mutual misalignments resulting in ghosting
and zipper artifacts. Existing burst restoration methods usually do not
consider the mutual correlation and non-local contextual information among
burst frames, which tends to limit these approaches in challenging cases.
Another key challenge lies in the robust up-sampling of burst frames. The
existing up-sampling methods cannot effectively utilize the advantages of
single-stage and progressive up-sampling strategies with conventional and/or
recent up-samplers at the same time. To address these challenges, we propose a
novel Gated Multi-Resolution Transfer Network (GMTNet) to reconstruct a
spatially precise high-quality image from a burst of low-quality raw images.
GMTNet consists of three modules optimized for burst processing tasks:
Multi-scale Burst Feature Alignment (MBFA) for feature denoising and alignment,
Transposed-Attention Feature Merging (TAFM) for multi-frame feature
aggregation, and Resolution Transfer Feature Up-sampler (RTFU) to up-scale
merged features and construct a high-quality output image. Detailed
experimental analysis on five datasets validates our approach and sets a
state-of-the-art for burst super-resolution, burst denoising, and low-light
burst enhancement.
- Abstract（参考訳）: 近年、バースト画像処理が人気を博している。
しかし、個々のバースト画像が複数の劣化を経験し、ゴーストやジッパーのアーティファクトに繋がる相互のミスアライメントがしばしばあるため、これは難しい課題である。
既存のバースト復元法は、通常バーストフレーム間の相互相関や非局所的文脈情報を考慮していない。
もうひとつの重要な課題は、バーストフレームの堅牢なアップサンプリングである。
既存のアップサンプリング方式では,従来のアップサンプリング方式や最近のアップサンプリング方式では,シングルステージおよびプログレッシブアップサンプリング方式の利点を効果的に活用できない。
そこで,本稿では,低画質生画像のバーストから空間的精度の高い高品質画像を再構成する新しいゲート型マルチレゾリューショントランスファーネットワーク(gmtnet)を提案する。
gmtnetは、バースト処理タスクに最適化された3つのモジュールで構成されている: 特徴のデノイジングとアライメントのためのマルチスケールバースト機能アライメント(mbfa)、マルチフレーム機能アグリゲーションのためのトランスポス・アテンション機能マージ(tafm)、スケールアップされた機能へのレゾリューション転送機能アップサンプラー(rtfu)。
5つのデータセットに関する詳細な実験分析は、このアプローチを検証し、バーストスーパーレゾリューション、バーストデニュージング、ローライトバーストエンハンスメントのための最新技術を設定します。
関連論文リスト
- QMambaBSR: Burst Image Super-Resolution with Query State Space Model [55.56075874424194]
バースト超解像度は、複数のバースト低解像度フレームからサブピクセル情報を融合することにより、高画質でよりリッチな細部で高解像度の画像を再構成することを目的としている。
BusrtSRにおいて鍵となる課題は、高周波ノイズ障害を同時に抑制しつつ、ベースフレームの補完的なサブピクセルの詳細を抽出することである。
本稿では,Query State Space Model (QSSM) とAdaptive Up-Sampling Module (AdaUp) を組み合わせた新しいQuery Mamba Burst Super-Resolution (QMambaBSR) ネットワークを紹介する。
論文 参考訳（メタデータ） (2024-08-16T11:15:29Z) - CRNet: A Detail-Preserving Network for Unified Image Restoration and Enhancement Task [44.14681936953848]
複合リファインメントネットワーク(CRNet)は、統合された画像復元と拡張を行うことができる。
CRNetは、プール層を通じて、高頻度と低周波の情報を明確に分離し、強化する。
私たちのモデルは、ブラケット画像復元・拡張チャレンジの最初のトラックで3位を確保しました。
論文 参考訳（メタデータ） (2024-04-22T12:33:18Z) - Exposure Bracketing is All You Need for Unifying Image Restoration and Enhancement Tasks [50.822601495422916]
本稿では,露光ブラケット写真を利用して画像復元と拡張作業を統合することを提案する。
実世界のペアの収集が困難であるため,まず合成ペアデータを用いてモデルを事前学習する手法を提案する。
特に,時間変調リカレントネットワーク(TMRNet)と自己教師あり適応手法を提案する。
論文 参考訳（メタデータ） (2024-01-01T14:14:35Z) - Holistic Dynamic Frequency Transformer for Image Fusion and Exposure Correction [18.014481087171657]
露出関連問題の修正は、画像の品質向上における重要な要素である。
本稿では、周波数領域を利用して露出補正タスクの処理を改善し、統一する新しい手法を提案する。
提案手法は, 露光補正においてより高度で統一された解を実現する方法である。
論文 参考訳（メタデータ） (2023-09-03T14:09:14Z) - Hybrid-Supervised Dual-Search: Leveraging Automatic Learning for
Loss-free Multi-Exposure Image Fusion [60.221404321514086]
マルチ露光画像融合(MEF)は、様々な露光レベルを表すデジタルイメージングの限界に対処するための重要な解決策である。
本稿では、ネットワーク構造と損失関数の両方を自動設計するための二段階最適化探索方式であるHSDS-MEFと呼ばれるMEFのためのハイブリッドスーパービジョンデュアルサーチ手法を提案する。
論文 参考訳（メタデータ） (2023-09-03T08:07:26Z) - Super-resolution Reconstruction of Single Image for Latent features [8.857209365343646]
単一像超解像(SISR)は、通常、様々な劣化した低分解能(LR)画像を単一の高分解能(HR)画像に復元することに焦点を当てる。
モデルが細部やテクスチャの多様性を保ちながら、高品質かつ迅速なサンプリングを同時に維持することは、しばしば困難である。
この課題は、モデル崩壊、再構成されたHR画像におけるリッチディテールとテクスチャの特徴の欠如、モデルサンプリングの過剰な時間消費などの問題を引き起こす可能性がある。
論文 参考訳（メタデータ） (2022-11-16T09:37:07Z) - Burst Image Restoration and Enhancement [86.08546447144377]
バースト画像復元の目標は、複数のバーストフレームに補完的なキューを効果的に組み合わせ、高品質な出力を生成することである。
入力されたすべてのバーストフレームから補足情報を組み合わせてシームレスに情報を交換する,Emphpseudo-Burst機能セットを作成する。
提案手法は, バースト超解像および低照度画像強調タスクにおける技術性能の状況を示す。
論文 参考訳（メタデータ） (2021-10-07T17:58:56Z) - Deep Burst Super-Resolution [165.90445859851448]
バースト超解像タスクのための新しいアーキテクチャを提案する。
我々のネットワークは複数のノイズRAW画像を入力として取り出し、出力として分解された超解像RGB画像を生成する。
実世界のデータのトレーニングと評価を可能にするため,BurstSRデータセットも導入する。
論文 参考訳（メタデータ） (2021-01-26T18:57:21Z)
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。