論文の概要: Revisiting Implicit Neural Representations in Low-Level Vision

• arxiv url: http://arxiv.org/abs/2304.10250v1
• Date: Thu, 20 Apr 2023 12:19:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-21 13:31:18.745147
• Title: Revisiting Implicit Neural Representations in Low-Level Vision
• Title（参考訳）: 低レベル視覚における入射神経表現の再検討
• Authors: Wentian Xu and Jianbo Jiao
• Abstract要約: 近年,コンピュータビジョンにおいてインプシットニューラル表現(INR)が出現している。 我々は、画像復元などの低レベル視力問題において、その有効性に興味を持っている。 本研究では,INRを再検討し,低レベル画像復元タスクへの応用について検討する。
• 参考スコア（独自算出の注目度）: 20.3578908524788
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Implicit Neural Representation (INR) has been emerging in computer vision in recent years. It has been shown to be effective in parameterising continuous signals such as dense 3D models from discrete image data, e.g. the neural radius field (NeRF). However, INR is under-explored in 2D image processing tasks. Considering the basic definition and the structure of INR, we are interested in its effectiveness in low-level vision problems such as image restoration. In this work, we revisit INR and investigate its application in low-level image restoration tasks including image denoising, super-resolution, inpainting, and deblurring. Extensive experimental evaluations suggest the superior performance of INR in several low-level vision tasks with limited resources, outperforming its counterparts by over 2dB. Code and models are available at https://github.com/WenTXuL/LINR
• Abstract（参考訳）: 近年,コンピュータビジョンにおいてインプシットニューラル表現(INR)が出現している。 これは、ニューラル半径場(NeRF)のような離散画像データから高密度な3Dモデルのような連続的な信号のパラメータ化に有効であることが示されている。 しかし、INRは2次元画像処理タスクでは不十分である。 InRの基本的定義と構造を考えると、画像復元などの低レベル視力問題におけるその有効性に関心がある。 本稿では,inrを再検討し,画像のデノイジング,超解像,インパインティング,デブラリングなどの低レベル画像復元タスクへの応用について検討する。 広範な実験評価は、限られたリソースで複数の低レベルのビジョンタスクにおいてinrが優れたパフォーマンスを示し、2db以上の性能を誇っている。 コードとモデルはhttps://github.com/wentxul/linrで入手できる。

関連論文リスト

• Single-Layer Learnable Activation for Implicit Neural Representation (SL$^{2}$A-INR) [6.572456394600755]
  ニューラルネットワークを利用して、座標入力を対応する属性に変換するインプシット表現(INR)は、視覚関連領域において大きな進歩をもたらした。 SL$2$A-INR を単層学習可能なアクティベーション関数として提案し,従来の ReLU ベースの有効性を推し進める。 提案手法は,画像表現,3次元形状再構成,単一画像超解像,CT再構成,新しいビューなど,多様なタスクに優れる。
  論文  参考訳（メタデータ） (2024-09-17T02:02:15Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• Deep Learning on Implicit Neural Representations of Shapes [14.596732196310978]
  Inlicit Neural Representations (INR) は、様々な信号を継続的にエンコードする強力なツールとして登場した。 本稿では,入力INRに対して,単一の推論パスでコンパクトな潜在表現を計算可能なフレームワークであるinr2vecを提案する。 Inr2vecは入力INRによって表現される3次元形状を効果的に埋め込み、どのようにして生成された埋め込みをディープラーニングパイプラインに供給できるかを示す。
  論文  参考訳（メタデータ） (2023-02-10T18:55:49Z)
• Versatile Neural Processes for Learning Implicit Neural Representations [57.090658265140384]
  本稿では,近似関数の能力を大幅に向上させるVersatile Neural Processs (VNP)を提案する。 具体的には、より少ない情報的コンテキストトークンを生成するボトルネックエンコーダを導入し、高い計算コストを軽減した。 提案したVNPが1D, 2D, 3D信号を含む様々なタスクに対して有効であることを示す。
  論文  参考訳（メタデータ） (2023-01-21T04:08:46Z)
• Rethinking Implicit Neural Representations for Vision Learners [27.888990902915626]
  入射神経表現はコンピュータビジョンにおける連続信号のパラメータ化に強力である。 既存のINRの手法は、1)INRの狭い理論的定義が高レベルなタスクには適用できないこと、2)ディープネットワークへの表現能力の欠如、の2つの問題に悩まされている。 Inlicit Neural Representation Network (INRN) を提案する。INRNは低レベルタスクと高レベルタスクの両方に取り組むINRの最初の研究である。
  論文  参考訳（メタデータ） (2022-11-22T06:23:04Z)
• Signal Processing for Implicit Neural Representations [80.38097216996164]
  Inlicit Neural Representation (INR)は、マルチ層パーセプトロンを介して連続したマルチメディアデータを符号化する。 既存の作業は、その離散化されたインスタンスの処理を通じて、そのような連続的な表現を操作する。 本稿では,INSP-Netと呼ばれる暗黙的ニューラル信号処理ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-17T06:29:07Z)
• Neural Implicit Dictionary via Mixture-of-Expert Training [111.08941206369508]
  ニューラルインシシット辞書(NID)を学習することで、データとトレーニング効率の両方を達成する汎用INRフレームワークを提案する。 我々のNIDは、所望の関数空間にまたがるように調整された座標ベースのImpworksのグループを組み立てる。 実験の結果,NIDは最大98%の入力データで2次元画像や3次元シーンの再現を2桁高速化できることがわかった。
  論文  参考訳（メタデータ） (2022-07-08T05:07:19Z)
• Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
  暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。 提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調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） (2022-04-05T12:46:36Z)
• Convolutional versus Self-Organized Operational Neural Networks for Real-World Blind Image Denoising [25.31981236136533]
  初めてDeep Self-ONNを採用することで、現実世界の盲目の画像消音問題に取り組みます。 ディープセルフオンはPSNRで最大1.76dBの性能向上で常に優れた結果を達成します。
  論文  参考訳（メタデータ） (2021-03-04T14:49:17Z)
• Attention Based Real Image Restoration [48.933507352496726]
  深層畳み込みニューラルネットワークは、合成劣化を含む画像に対してより良い性能を発揮する。 本稿では,新しい1段ブラインド実画像復元ネットワーク(R$2$Net)を提案する。
  論文  参考訳（メタデータ） (2020-04-26T04:21:49Z)

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。