論文の概要: EXTRACTER: Efficient Texture Matching with Attention and Gradient Enhancing for Large Scale Image Super Resolution

• arxiv url: http://arxiv.org/abs/2310.01379v1
• Date: Mon, 2 Oct 2023 17:41:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-04 20:31:19.265260
• Title: EXTRACTER: Efficient Texture Matching with Attention and Gradient Enhancing for Large Scale Image Super Resolution
• Title（参考訳）: EXTRACTER:大規模画像超解像のための注意とグラディエンシングによる効率的なテクスチャマッチング
• Authors: Esteban Reyes-Saldana and Mariano Rivera
• Abstract要約: 近年のレファレンスベース画像超解像(RefSR)は、低解像度画像の高精細化を目的とした注意機構を導入したSOTAディープ手法を改善している。 より効率的なメモリ使用率を持つディープ検索を提案し,画像パッチ数を大幅に削減する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Recent Reference-Based image super-resolution (RefSR) has improved SOTA deep methods introducing attention mechanisms to enhance low-resolution images by transferring high-resolution textures from a reference high-resolution image. The main idea is to search for matches between patches using LR and Reference image pair in a feature space and merge them using deep architectures. However, existing methods lack the accurate search of textures. They divide images into as many patches as possible, resulting in inefficient memory usage, and cannot manage large images. Herein, we propose a deep search with a more efficient memory usage that reduces significantly the number of image patches and finds the $k$ most relevant texture match for each low-resolution patch over the high-resolution reference patches, resulting in an accurate texture match. We enhance the Super Resolution result adding gradient density information using a simple residual architecture showing competitive metrics results: PSNR and SSMI.
• Abstract（参考訳）: 最近の参照ベース画像スーパーレゾリューション(refsr)は、参照高レゾリューション画像から高レゾリューションテクスチャを転送することにより、低レゾリューション画像の注意機構を導入するsof深部法を改善した。 主なアイデアは、機能空間におけるLRと参照イメージペアを使用してパッチ間のマッチを検索し、深層アーキテクチャを使ってそれらをマージすることである。 しかし、既存の手法ではテクスチャの正確な検索ができない。 イメージを可能な限り多くのパッチに分割するため、メモリ使用効率が悪く、大きなイメージは管理できない。 そこで本研究では,画像パッチ数を大幅に削減し,高分解能の参照パッチに対して,各低解像度パッチに対して最も関連するテクスチャマッチをk$で求める,より効率的なメモリ使用率を備えたディープサーチを提案する。 我々は,PSNRとSSMIの競合指標を示す単純な残差アーキテクチャを用いて,勾配密度情報を追加するスーパーレゾリューション結果を強化する。

関連論文リスト

• PatchScaler: An Efficient Patch-Independent Diffusion Model for Image Super-Resolution [44.345740602726345]
  PatchScalerは、単一画像超解像のための効率的なパッチ非依存拡散パイプラインである。 テクスチャは、共通参照テクスチャメモリから、ターゲットパッチのテクスチャ先行を適応的に検索する。 本コードでは,定量評価と定性評価の両方において優れた性能を示し,推論を著しく高速化する。
  論文  参考訳（メタデータ） (2024-05-27T13:31:46Z)
• Pixel Adapter: A Graph-Based Post-Processing Approach for Scene Text Image Super-Resolution [22.60056946339325]
  アップサンプリングによる画素歪みに対処するために,グラフアテンションに基づくPixel Adapter Module (PAM)を提案する。 PAMは、各ピクセルが隣人と対話し、機能を更新することで、ローカルな構造情報を効果的にキャプチャする。 提案手法は,従来の認識精度を上回り,高品質な超解像を生成することを実証する。
  論文  参考訳（メタデータ） (2023-09-16T08:12:12Z)
• From Coarse to Fine: Hierarchical Pixel Integration for Lightweight Image Super-Resolution [41.0555613285837]
  トランスフォーマーモデルによる画像超解像(SR)の競争性能の向上 SRネットワークのローカルマップ(LAM)の解釈から洞察を得た新しいアテンションブロックを提案する。 細部では、パッチ内自己注意属性(IPSA)モジュールを使用して、局所パッチ内の長距離画素依存性をモデル化する。
  論文  参考訳（メタデータ） (2022-11-30T06:32:34Z)
• {\mu}Split: efficient image decomposition for microscopy data [50.794670705085835]
  muSplitは、蛍光顕微鏡画像の文脈で訓練された画像分解のための専用アプローチである。 本稿では,大規模な画像コンテキストのメモリ効率向上を実現するメタアーキテクチャである横型文脈化(LC)を提案する。 muSplitを5つの分解タスクに適用し、1つは合成データセットに、もう4つは実際の顕微鏡データから導出する。
  論文  参考訳（メタデータ） (2022-11-23T11:26:24Z)
• Very Low-Resolution Iris Recognition Via Eigen-Patch Super-Resolution and Matcher Fusion [69.53542497693086]
  局所像パッチの固有変換に基づいて虹彩画像の再構成に用いる超解像アルゴリズムの評価を行った。 コントラストの強化は再現性を向上させるのに用いられ、マーカ融合は虹彩認識性能を改善するために採用されている。
  論文  参考訳（メタデータ） (2022-10-18T11:25:19Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• HIPA: Hierarchical Patch Transformer for Single Image Super Resolution [62.7081074931892]
  本稿では,階層型パッチ分割を用いた高解像度画像を段階的に復元する新しいトランスフォーマーアーキテクチャHIPAを提案する。 入力画像を複数のステージで処理するカスケードモデルを構築し、小さなパッチサイズでトークンから始めて、徐々に全解像度にマージします。 このような階層的なパッチ機構は、複数の解像度で機能集約を可能にするだけでなく、異なる画像領域に対するパッチ認識機能も適応的に学習する。
  論文  参考訳（メタデータ） (2022-03-19T05:09:34Z)
• Attention-based Multi-Reference Learning for Image Super-Resolution [29.361342747786164]
  本稿では,新しいアテンションに基づくマルチ参照超解像ネットワークを提案する。 類似したテクスチャを複数の参照画像から超解像出力に適応的に転送する。 最先端の参照超解像法よりも性能が大幅に向上する。
  論文  参考訳（メタデータ） (2021-08-31T09:12:26Z)
• Generating Superpixels for High-resolution Images with Decoupled Patch Calibration [82.21559299694555]
  Patch Networks (PCNet) は高解像度のスーパーピクセルセグメンテーションを効率的かつ正確に実装するように設計されている。 DPCは高解像度画像から局所パッチを取得し、動的にバイナリマスクを生成し、ネットワークを領域境界に集中させる。 特に、DPCは高解像度画像からローカルパッチを取り、動的にバイナリマスクを生成して、ネットワークを領域境界に集中させる。
  論文  参考訳（メタデータ） (2021-08-19T10:33:05Z)
• High Quality Remote Sensing Image Super-Resolution Using Deep Memory Connected Network [21.977093907114217]
  単一画像の超解像は、ターゲット検出や画像分類といった多くの用途において重要である。 本稿では,畳み込みニューラルネットワークによる高画質超解像画像の再構成手法として,DeepMemory Connected Network (DMCN)を提案する。
  論文  参考訳（メタデータ） (2020-10-01T15:06:02Z)
• Texture Memory-Augmented Deep Patch-Based Image Inpainting [121.41395272974611]
  本研究では,未成熟領域から抽出したパッチサンプルのテクスチャメモリによってテクスチャ生成をガイドする,新しいディープ・インペイント・フレームワークを提案する。 このフレームワークは、テクスチャメモリの検索を、ディープ・インパインティング・ネットワークでエンドツーエンドにトレーニングできる新しい設計である。 提案手法は,3つの課題の画像ベンチマークにおいて,質的かつ定量的に優れた性能を示す。
  論文  参考訳（メタデータ） (2020-09-28T12:09:08Z)

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。