論文の概要: End-to-end Alternating Optimization for Real-World Blind Super
Resolution
- arxiv url: http://arxiv.org/abs/2308.08816v1
- Date: Thu, 17 Aug 2023 06:55:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-21 17:47:34.765234
- Title: End-to-end Alternating Optimization for Real-World Blind Super
Resolution
- Title(参考訳): 実世界ブラインド超解像の終端交互最適化
- Authors: Zhengxiong Luo, Yan Huang, Shang Li, Liang Wang, Tieniu Tan
- Abstract要約: Blind Super-Resolution (SR) は通常2つのサブプロブレムを含む。
与えられた低分解能(LR)画像の劣化を推定し、高分解能(HR)画像に超解凍する。
本稿では,SR画像の劣化と復元を1つのモデルで推定できる交互最適化アルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 43.95832398891317
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Blind Super-Resolution (SR) usually involves two sub-problems: 1) estimating
the degradation of the given low-resolution (LR) image; 2) super-resolving the
LR image to its high-resolution (HR) counterpart. Both problems are ill-posed
due to the information loss in the degrading process. Most previous methods try
to solve the two problems independently, but often fall into a dilemma: a good
super-resolved HR result requires an accurate degradation estimation, which
however, is difficult to be obtained without the help of original HR
information. To address this issue, instead of considering these two problems
independently, we adopt an alternating optimization algorithm, which can
estimate the degradation and restore the SR image in a single model.
Specifically, we design two convolutional neural modules, namely
\textit{Restorer} and \textit{Estimator}. \textit{Restorer} restores the SR
image based on the estimated degradation, and \textit{Estimator} estimates the
degradation with the help of the restored SR image. We alternate these two
modules repeatedly and unfold this process to form an end-to-end trainable
network. In this way, both \textit{Restorer} and \textit{Estimator} could get
benefited from the intermediate results of each other, and make each
sub-problem easier. Moreover, \textit{Restorer} and \textit{Estimator} are
optimized in an end-to-end manner, thus they could get more tolerant of the
estimation deviations of each other and cooperate better to achieve more robust
and accurate final results. Extensive experiments on both synthetic datasets
and real-world images show that the proposed method can largely outperform
state-of-the-art methods and produce more visually favorable results. The codes
are rleased at \url{https://github.com/greatlog/RealDAN.git}.
- Abstract(参考訳): Blind Super-Resolution (SR) は通常2つのサブプロブレムを含む。
1) 所定の低解像度(LR)画像の劣化を推定すること。
2) LR画像を高分解能(HR)に超分解する。
どちらの問題も劣化過程における情報損失のために不適切である。
従来の手法では2つの問題を独立に解こうとしていたが、しばしばジレンマに陥る: 優れた超解法HRの結果は正確な劣化推定を必要とするが、元のHR情報の助けなしには得られない。
この問題に対処するために,これら2つの問題を独立に考えるのではなく,sr画像の劣化を推定し,1つのモデルで復元できる交互最適化アルゴリズムを採用する。
具体的には、2つの畳み込みニューラルモジュール、すなわち \textit{Restorer} と \textit{Estimator} を設計する。
\textit{restorer} は推定された劣化に基づいてsr画像を復元し、 \textit{estimator} は復元されたsr画像の助けを借りて劣化を推定する。
これら2つのモジュールを交換し、このプロセスを展開してエンドツーエンドのトレーニング可能なネットワークを形成します。
このようにして、 \textit{restorer} と \textit{estimator} の両方が互いの中間結果の恩恵を受け、各サブプロブレムが容易になる。
さらに、 \textit{restorer} と \textit{estimator} はエンドツーエンドに最適化されているため、お互いの推定偏差に対する耐性が向上し、より堅牢で正確な最終結果が得られるよう協力することができる。
合成データセットと実世界の画像の両方に対する大規模な実験により、提案手法は最先端の手法を大きく上回り、より視覚的に有利な結果が得られることが示された。
コードは \url{https://github.com/greatlog/realdan.git} で更新される。
関連論文リスト
- 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) - Robust Reference-based Super-Resolution via C2-Matching [77.51610726936657]
超解像(Ref-SR)は、最近、高分解能(HR)参照画像を導入して、低分解能(LR)入力画像を強化するための有望なパラダイムとして登場した。
既存のRef-SR法は主に暗黙の対応に頼り、参照画像からHRテクスチャを借用し、入力画像の情報損失を補う。
本稿では,C2-Matchingを提案する。
論文 参考訳(メタデータ) (2021-06-03T16:40:36Z) - 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) - Unfolding the Alternating Optimization for Blind Super Resolution [60.39409203244474]
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。
ボケカーネルを推定し,SR画像を1つのモデルで復元できる交互最適化アルゴリズムを採用する。
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) (2020-10-06T11:27:27Z) - Benefiting from Bicubically Down-Sampled Images for Learning Real-World
Image Super-Resolution [22.339751911637077]
我々は、この不適切な問題を2つの比較的よく提示されたステップに分割することで、現実世界のSRを扱うことを提案する。
まず、実LR画像を教師付きで双対的にダウンサンプリングされた画像の空間に変換するネットワークを訓練する。
次に,2次元ダウンサンプル画像に基づいて学習した汎用SRネットワークを用いて,変換されたLR画像の超解像を行う。
論文 参考訳(メタデータ) (2020-07-06T20:27:58Z) - Closed-loop Matters: Dual Regression Networks for Single Image
Super-Resolution [73.86924594746884]
ディープニューラルネットワークは、画像超解像において有望な性能を示した。
これらのネットワークは、低分解能(LR)画像から高分解能(HR)画像への非線形マッピング関数を学習する。
本稿では,可能な関数の空間を削減するために,LRデータに新たな制約を導入することで,二重回帰手法を提案する。
論文 参考訳(メタデータ) (2020-03-16T04:23:42Z)
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。