論文の概要: Deep learning techniques for blind image super-resolution: A high-scale
multi-domain perspective evaluation
- arxiv url: http://arxiv.org/abs/2306.09426v1
- Date: Thu, 15 Jun 2023 18:18:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-19 16:16:40.886920
- Title: Deep learning techniques for blind image super-resolution: A high-scale
multi-domain perspective evaluation
- Title(参考訳): ブラインド画像超解像のための深層学習技術:大規模マルチドメイン視点評価
- Authors: Valdivino Alexandre de Santiago J\'unior
- Abstract要約: 視覚画像SRに適した最近の5つのDL技術を評価するため, 高速(8倍)制御実験を行った。
航空、動物相、植物相、医学、衛星の5つの異なる領域の14の小さなデータセットを考察する。
MoESRは、生成したHR画像の知覚的品質がまだ改善する必要があるにもかかわらず、最良の解と見なすことができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite several solutions and experiments have been conducted recently
addressing image super-resolution (SR), boosted by deep learning (DL)
techniques, they do not usually design evaluations with high scaling factors,
capping it at 2x or 4x. Moreover, the datasets are generally benchmarks which
do not truly encompass significant diversity of domains to proper evaluate the
techniques. It is also interesting to remark that blind SR is attractive for
real-world scenarios since it is based on the idea that the degradation process
is unknown, and hence techniques in this context rely basically on
low-resolution (LR) images. In this article, we present a high-scale (8x)
controlled experiment which evaluates five recent DL techniques tailored for
blind image SR: Adaptive Pseudo Augmentation (APA), Blind Image SR with
Spatially Variant Degradations (BlindSR), Deep Alternating Network (DAN),
FastGAN, and Mixture of Experts Super-Resolution (MoESR). We consider 14 small
datasets from five different broader domains which are: aerial, fauna, flora,
medical, and satellite. Another distinctive characteristic of our evaluation is
that some of the DL approaches were designed for single-image SR but others
not. Two no-reference metrics were selected, being the classical natural image
quality evaluator (NIQE) and the recent transformer-based multi-dimension
attention network for no-reference image quality assessment (MANIQA) score, to
assess the techniques. Overall, MoESR can be regarded as the best solution
although the perceptual quality of the created HR images of all the techniques
still needs to improve. Supporting code: https://github.com/vsantjr/DL_BlindSR.
Datasets:
https://www.kaggle.com/datasets/valdivinosantiago/dl-blindsr-datasets.
- Abstract(参考訳): 近年,画像超解像 (SR) に対するいくつかのソリューションや実験が実施されているが, ディープラーニング (DL) 技術によって促進されているため, 2倍, 4倍の精度で高いスケーリング係数で評価を設計することはない。
さらに、データセットは一般的に、テクニックを適切に評価するために、ドメインのかなりの多様性を真に包含するものではないベンチマークである。
ブラインドSRは劣化過程が未知であるという考えに基づいているため、現実のシナリオでは魅力的であり、それゆえ、この文脈における技術は基本的に低解像度(LR)画像に依存しているため、興味深い。
本稿では,適応擬似拡張(APA),Blind Image SR with spatially Variant Degradation(BlindSR),Deep Alternating Network(DAN),FastGAN,Mixture of Experts Super-Resolution(MoESR)という,視覚障害者のための最新のDL技術5つの手法を評価する。
我々は、航空、動物相、植物相、医学、衛星の5つの異なる領域の14の小さなデータセットを考察する。
評価の他の特徴は、DLアプローチのいくつかがシングルイメージSR用に設計されたが、そうでない点である。
no-reference image quality evaluator (niqe) と最近のtransformer-based multi-dimension attention network for no-reference image quality assessment (maniqa) という2つのno-reference metricsが選ばれた。
全体としては、MoESRは最高の解と見なすことができるが、生成したHR画像の知覚的品質は改善する必要がある。
コードのサポート:https://github.com/vsantjr/DL_BlindSR。
データセット: https://www.kaggle.com/datasets/valdivinosantiago/dl-blindsr-datasets。
関連論文リスト
- Rethinking Image Super-Resolution from Training Data Perspectives [54.28824316574355]
画像超解像(SR)におけるトレーニングデータの効果について検討する。
そこで我々は,自動画像評価パイプラインを提案する。
その結果, (i) 圧縮アーチファクトの少ないデータセット, (ii) 被写体数によって判断される画像内多様性の高いデータセット, (iii) ImageNet や PASS からの大量の画像がSR性能に肯定的な影響を与えることがわかった。
論文 参考訳(メタデータ) (2024-09-01T16:25:04Z) - Federated Learning for Blind Image Super-Resolution [9.864168347373338]
従来のブラインド画像SR法では、実世界の劣化を正確にモデル化する必要がある。
我々は,イメージSRとフェデレーション学習を融合させ,現実世界の劣化をユーザから直接学習できるようにすることを提案する。
このフェデレーション設定において、新しいSR手法を評価するために特別に設計された新しいベンチマークを導入する。
論文 参考訳(メタデータ) (2024-04-26T19:27:07Z) - 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) - Learning from Multi-Perception Features for Real-Word Image
Super-resolution [87.71135803794519]
入力画像の複数の知覚的特徴を利用する新しいSR手法MPF-Netを提案する。
本稿では,MPFEモジュールを組み込んで,多様な知覚情報を抽出する手法を提案する。
また、モデルの学習能力を向上する対照的な正規化項(CR)も導入する。
論文 参考訳(メタデータ) (2023-05-26T07:35:49Z) - Real-World Image Super-Resolution by Exclusionary Dual-Learning [98.36096041099906]
実世界の画像超解像は,高品質な画像を得るための実用的な画像復元問題である。
深層学習に基づく手法は、現実世界の超解像データセットの復元に期待できる品質を実現している。
本稿では,RWSR-EDL(Real-World Image Super-Resolution by Exclusionary Dual-Learning)を提案する。
論文 参考訳(メタデータ) (2022-06-06T13:28:15Z) - Learning Conditional Knowledge Distillation for Degraded-Reference Image
Quality Assessment [157.1292674649519]
劣化参照IQA(DR-IQA)という実用的な解を提案する。
DR-IQAはIRモデルの入力、劣化したイメージを参照として利用する。
私たちの結果は、フル参照設定のパフォーマンスに近いものもあります。
論文 参考訳(メタデータ) (2021-08-18T02:35:08Z) - From General to Specific: Online Updating for Blind Super-Resolution [9.203416129039871]
超解像学習のためのオンライン超解像法(ONSR)を提案する。
ONSRは2つの枝、すなわち内枝(IB)と外枝(EB)から成る。
IBは与えられた試験LR画像の特定の劣化を学習することができ、EBは学習した劣化によって劣化した画像の超解像を学習することができた。
このように、ONSRはテスト画像ごとに特定のモデルをカスタマイズできるため、実際のアプリケーションの様々な劣化に対してより寛容になる可能性がある。
論文 参考訳(メタデータ) (2021-07-06T05:25:16Z) - Blind Image Super-Resolution via Contrastive Representation Learning [41.17072720686262]
マルチモーダルおよび空間変動分布を持つ画像のブラインドSRに着目したコントラスト表現学習ネットワークを設計する。
提案したCRL-SRは,ブラインド設定下でのマルチモーダル・空間変動劣化を効果的に処理可能であることを示す。
また、最先端のSR手法を質的に、定量的に上回る。
論文 参考訳(メタデータ) (2021-07-01T19:34:23Z) - Frequency Consistent Adaptation for Real World Super Resolution [64.91914552787668]
実シーンにスーパーリゾリューション(SR)法を適用する際に周波数領域の整合性を保証する新しい周波数一貫性適応(FCA)を提案する。
監視されていない画像から劣化カーネルを推定し、対応するLow-Resolution (LR)画像を生成する。
ドメイン一貫性のあるLR-HRペアに基づいて、容易に実装可能な畳み込みニューラルネットワーク(CNN)SRモデルを訓練する。
論文 参考訳(メタデータ) (2020-12-18T08:25:39Z) - Learning-Based Quality Assessment for Image Super-Resolution [25.76907513611358]
我々は,新しい半自動ラベリング手法を用いて,大規模sr画像データベースを構築する。
結果のSR画像品質データベースには、100の自然シーンの8,400の画像が含まれている。
特徴抽出にDNN(Deep Neural Networks)を用いたエンドツーエンドのDeep Image SR Quality(DISQ)モデルと、品質予測のためのFeature fusion Networkをトレーニングします。
論文 参考訳(メタデータ) (2020-12-16T04:06:27Z)
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。