論文の概要: Dual-Diffusion: Dual Conditional Denoising Diffusion Probabilistic
Models for Blind Super-Resolution Reconstruction in RSIs
- arxiv url: http://arxiv.org/abs/2305.12170v1
- Date: Sat, 20 May 2023 11:18:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-24 00:07:41.166173
- Title: Dual-Diffusion: Dual Conditional Denoising Diffusion Probabilistic
Models for Blind Super-Resolution Reconstruction in RSIs
- Title（参考訳）: 二重拡散: RSIにおけるブラインド超解像再構成のための二重条件付き拡散確率モデル
- Authors: Mengze Xu, Jie Ma, Yuanyuan Zhu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 6.2678394285548755
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Previous super-resolution reconstruction (SR) works are always designed on
the assumption that the degradation operation is fixed, such as bicubic
downsampling. However, as for remote sensing images, some unexpected factors
can cause the blurred visual performance, like weather factors, orbit altitude,
etc. Blind SR methods are proposed to deal with various degradations. There are
two main challenges of blind SR in RSIs: 1) the accu-rate estimation of
degradation kernels; 2) the realistic image generation in the ill-posed
problem. To rise to the challenge, we propose a novel blind SR framework based
on dual conditional denoising diffusion probabilistic models (DDSR). In our
work, we introduce conditional denoising diffusion probabilistic models (DDPM)
from two aspects: kernel estimation progress and re-construction progress,
named as the dual-diffusion. As for kernel estimation progress, conditioned on
low-resolution (LR) images, a new DDPM-based kernel predictor is constructed by
studying the invertible mapping between the kernel distribution and the latent
distribution. As for reconstruction progress, regarding the predicted
degradation kernels and LR images as conditional information, we construct a
DDPM-based reconstructor to learning the mapping from the LR images to HR
images. Com-prehensive experiments show the priority of our proposal com-pared
with SOTA blind SR methods. Source Code is available at
https://github.com/Lincoln20030413/DDSR
- Abstract（参考訳）: 従来の超解像再構成(SR)の作業は常に、分解操作が固定されているという仮定に基づいて設計されている。
しかし、リモートセンシング画像に関しては、天気要因や軌道高度など、予期せぬ要因がぼやけた視覚性能を引き起こす可能性がある。
ブラインドSR法は様々な劣化に対処するために提案されている。
RSIにおける盲目SRの主な課題は2つある。
1) 劣化核のaccu速度の推定
2) 虚偽問題における現実的な画像生成
この課題を克服するため,両条件付き拡散確率モデル(DDSR)に基づく新しい盲点SRフレームワークを提案する。
本研究では,カーネル推定の進行と再構築の進行という2つの側面から,条件付き分散確率モデル(DDPM)を導入する。
低分解能(LR)画像に条件付けされたカーネル推定の進行について、カーネル分布と潜伏分布の可逆写像を研究することにより、新しいDDPMベースのカーネル予測器を構築する。
再構成の進展については,予測劣化カーネルとLR画像を条件情報として,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。
総合的な実験により,SOTAブラインドSR法と組み合わせた提案の優先順位が示された。
Source Codeはhttps://github.com/Lincoln20030413/DDSRで入手できる。
関連論文リスト
- Latent Diffusion, Implicit Amplification: Efficient Continuous-Scale Super-Resolution for Remote Sensing Images [7.920423405957888]
E$2$DiffSRは、最先端のSR手法と比較して、客観的な指標と視覚的品質を達成する。
拡散に基づくSR法の推論時間を非拡散法と同程度のレベルに短縮する。
論文 参考訳（メタデータ） (2024-10-30T09:14:13Z) - BlindDiff: Empowering Degradation Modelling in Diffusion Models for Blind Image Super-Resolution [52.47005445345593]
BlindDiff は SISR のブラインド劣化に対処するための DM ベースのブラインドSR 手法である。
BlindDiffはMAPベースの最適化をDMにシームレスに統合する。
合成データセットと実世界のデータセットの両方の実験は、BlindDiffが最先端のパフォーマンスを達成することを示している。
論文 参考訳（メタデータ） (2024-03-15T11:21:34Z) - Efficient Test-Time Adaptation for Super-Resolution with Second-Order
Degradation and Reconstruction [62.955327005837475]
画像超解像(SR)は,低分解能(LR)から高分解能(HR)へのマッピングを,一対のHR-LRトレーニング画像を用いて学習することを目的としている。
SRTTAと呼ばれるSRの効率的なテスト時間適応フレームワークを提案し、SRモデルを異なる/未知の劣化型でテストドメインに迅速に適応させることができる。
論文 参考訳（メタデータ） (2023-10-29T13:58:57Z) - DiffBIR: Towards Blind Image Restoration with Generative Diffusion Prior [70.46245698746874]
DiffBIRは、視覚の異なる画像復元タスクを処理できる一般的な修復パイプラインである。
DiffBIRは, ブラインド画像復元問題を, 1) 劣化除去: 画像に依存しない内容の除去; 2) 情報再生: 失われた画像内容の生成の2段階に分離する。
第1段階では, 修復モジュールを用いて劣化を除去し, 高忠実度復元結果を得る。
第2段階では、潜伏拡散モデルの生成能力を活用して現実的な詳細を生成するIRControlNetを提案する。
論文 参考訳（メタデータ） (2023-08-29T07:11:52Z) - DR2: Diffusion-based Robust Degradation Remover for Blind Face
Restoration [66.01846902242355]
ブラインド顔復元は通常、トレーニングのための事前定義された劣化モデルで劣化した低品質データを合成する。
トレーニングデータに現実のケースをカバーするために、あらゆる種類の劣化を含めることは、高価で実現不可能である。
本稿では、まず、劣化した画像を粗いが劣化不変な予測に変換し、次に、粗い予測を高品質な画像に復元するために拡張モジュールを使用するロバスト劣化再帰法(DR2)を提案する。
論文 参考訳（メタデータ） (2023-03-13T06:05:18Z) - Kernelized Back-Projection Networks for Blind Super Resolution [14.422263486129811]
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。
論文 参考訳（メタデータ） (2023-02-16T18:35:39Z) - 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) - 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) - Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。
両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。
画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
論文 参考訳（メタデータ） (2020-08-25T03:30:53Z)
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。