論文の概要: Rethinking PRL: A Multiscale Progressively Residual Learning Network for
Inverse Halftoning
- arxiv url: http://arxiv.org/abs/2305.17355v1
- Date: Sat, 27 May 2023 03:37:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-30 20:04:06.905756
- Title: Rethinking PRL: A Multiscale Progressively Residual Learning Network for
Inverse Halftoning
- Title(参考訳): PRLの再考: 逆ハーフトニングのための多段階的残留学習ネットワーク
- Authors: Feiyu Li, Jun Yang
- Abstract要約: 逆ハーフトニングは古典的な画像復元作業であり、バイレベルピクセルのみでハーフトーン画像から連続トーン画像を復元することを目的としている。
本稿では,UNetアーキテクチャを持ち,マルチスケールな入力画像を取得する,エンドツーエンドのマルチスケール・残留学習ネットワーク(MSPRL)を提案する。
- 参考スコア(独自算出の注目度): 3.632876183725243
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image inverse halftoning is a classic image restoration task, aiming to
recover continuous-tone images from halftone images with only bilevel pixels.
Because the halftone images lose much of the original image content, inverse
halftoning is a classic ill-problem. Although existing inverse halftoning
algorithms achieve good performance, their results lose image details and
features. Therefore, it is still a challenge to recover high-quality
continuous-tone images. In this paper, we propose an end-to-end multiscale
progressively residual learning network (MSPRL), which has a UNet architecture
and takes multiscale input images. To make full use of different input image
information, we design a shallow feature extraction module to capture similar
features between images of different scales. We systematically study the
performance of different methods and compare them with our proposed method. In
addition, we employ different training strategies to optimize the model, which
is important for optimizing the training process and improving performance.
Extensive experiments demonstrate that our MSPRL model obtains considerable
performance gains in detail restoration.
- Abstract(参考訳): image inverse halftoningは古典的な画像復元タスクであり、半音画像から2レベルピクセルのみの連続音画像を復元することを目的としている。
ハーフトーン画像はオリジナル画像のほとんどを失うため、逆ハーフトーン化は古典的な問題である。
既存の逆ハーフトンアルゴリズムは優れた性能を発揮するが、画像の詳細や特徴は失われる。
したがって、高品質な連続トーン画像の復元は依然として課題である。
本稿では,UNetアーキテクチャを持ち,マルチスケールの入力画像を取得する,エンドツーエンドのマルチスケール逐次学習ネットワーク(MSPRL)を提案する。
異なる入力画像情報をフル活用するために、異なるスケールの画像間で類似した特徴をキャプチャする浅い特徴抽出モジュールを設計する。
異なる手法の性能を体系的に検討し,提案手法と比較した。
さらに,モデルの最適化には異なるトレーニング戦略を採用しており,トレーニングプロセスの最適化とパフォーマンス向上に重要である。
広範な実験により,msprlモデルは細部までの性能向上を実現した。
関連論文リスト
- DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image
Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。
従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。
提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文 参考訳(メタデータ) (2023-12-12T06:07:21Z) - Wide & deep learning for spatial & intensity adaptive image restoration [16.340992967330603]
本稿では,広義の多フレーム画像復元ネットワーク(DparNet)を提案する。
劣化前のパラメータ行列は、劣化した画像から直接学習される。
DparNetの広範かつ深いアーキテクチャにより、学習したパラメータは最終的な復元結果を直接修正できる。
論文 参考訳(メタデータ) (2023-05-30T03:24:09Z) - Image Compressed Sensing with Multi-scale Dilated Convolutional Neural
Network [2.719222831651969]
本稿では,CS計測と再構成のためのMsDCNN(Multiscale Dilated Convolution Neural Network)という新しいフレームワークを提案する。
測定期間中、完全に畳み込み構造を用いる訓練された測定ネットワークから、すべての測定値を直接取得する。
再建期間中に,人間の視覚システムを模倣するマルチスケール特徴抽出(MFE)アーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-09-28T01:11:56Z) - Learning Degradation Representations for Image Deblurring [37.80709422920307]
ぼやけた画像の空間適応的劣化表現を学習するための枠組みを提案する。
劣化表現の表現性を改善するために、新しい共同画像再生・復調学習プロセスを提案する。
GoProとRealBlurのデータセットの実験では、学習した劣化表現を用いたデブロアリングフレームワークが最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2022-08-10T09:53:16Z) - Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。
我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
論文 参考訳(メタデータ) (2022-04-19T17:59:45Z) - Image Restoration by Deep Projected GSURE [115.57142046076164]
Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。
本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
論文 参考訳(メタデータ) (2021-02-04T08:52:46Z) - Plug-and-Play Image Restoration with Deep Denoiser Prior [186.84724418955054]
モデルに基づく手法では,デノイザが暗黙的に画像として機能し,多くの逆問題に対処できることを示す。
非常に柔軟で効果的なCNNデノイザをトレーニングする前に、ベンチマークディープデノイザを設定しました。
次に, 2次分割に基づくイテレーティブアルゴリズムを用いて, 画像復元問題の解法を提案する。
論文 参考訳(メタデータ) (2020-08-31T17:18:58Z) - Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。
ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。
提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
論文 参考訳(メタデータ) (2020-03-15T11:04:30Z) - Learning End-to-End Lossy Image Compression: A Benchmark [90.35363142246806]
まず,学習した画像の圧縮方法に関する総合的な文献調査を行う。
本稿では,最先端の学習画像圧縮手法のマイルストーンについて述べるとともに,既存の幅広い作品について概観し,その歴史的開発ルートについて考察する。
エントロピー推定と信号再構成のための粗大な超高次モデルを導入することにより、速度歪み性能の向上を実現する。
論文 参考訳(メタデータ) (2020-02-10T13:13:43Z)
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。