論文の概要: Image super-resolution via dynamic network

• arxiv url: http://arxiv.org/abs/2310.10413v2
• Date: Fri, 22 Mar 2024 07:03:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-25 22:40:07.991591
• Title: Image super-resolution via dynamic network
• Title（参考訳）: ダイナミックネットワークによる画像超解像
• Authors: Chunwei Tian, Xuanyu Zhang, Qi Zhang, Mingming Yang, Zhaojie Ju,
• Abstract要約: 画像超解像(DSRNet)のための動的ネットワークを提案する。 残余の増築ブロック、広範囲の増築ブロック、特徴の増築ブロック、建設ブロックを含む。 画像の超解像と複雑性の回復時間に関して,本手法はより競争力がある。
• 参考スコア（独自算出の注目度）: 19.404066956727885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional neural networks (CNNs) depend on deep network architectures to extract accurate information for image super-resolution. However, obtained information of these CNNs cannot completely express predicted high-quality images for complex scenes. In this paper, we present a dynamic network for image super-resolution (DSRNet), which contains a residual enhancement block, wide enhancement block, feature refinement block and construction block. The residual enhancement block is composed of a residual enhanced architecture to facilitate hierarchical features for image super-resolution. To enhance robustness of obtained super-resolution model for complex scenes, a wide enhancement block achieves a dynamic architecture to learn more robust information to enhance applicability of an obtained super-resolution model for varying scenes. To prevent interference of components in a wide enhancement block, a refinement block utilizes a stacked architecture to accurately learn obtained features. Also, a residual learning operation is embedded in the refinement block to prevent long-term dependency problem. Finally, a construction block is responsible for reconstructing high-quality images. Designed heterogeneous architecture can not only facilitate richer structural information, but also be lightweight, which is suitable for mobile digital devices. Experimental results shows that our method is more competitive in terms of performance and recovering time of image super-resolution and complexity. The code of DSRNet can be obtained at https://github.com/hellloxiaotian/DSRNet.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、画像超解像のための正確な情報を抽出するために、ディープネットワークアーキテクチャに依存する。 しかし、これらのCNNの取得した情報は、複雑なシーンの予測された高品質な画像を完全に表現することはできない。 本稿では,画像超解像(DSRNet)のための動的ネットワークについて述べる。 残余拡張ブロックは、画像超解像の階層的特徴を促進するために、残余拡張アーキテクチャで構成されている。 複雑なシーンに対して得られた超解像モデルの堅牢性を高めるため、拡張ブロックは動的アーキテクチャを実現し、より堅牢な情報を学び、様々なシーンに対して得られた超解像モデルの適用性を高める。 広い拡張ブロックにおける部品の干渉を防止するため、改良ブロックは積み重ねられたアーキテクチャを用いて得られた特徴を正確に学習する。 また、リファインメントブロックに残差学習操作を埋め込んで、長期依存問題を防止する。 最後に、構築ブロックが高品質な画像の再構成に責任を負う。 設計された異種アーキテクチャは、よりリッチな構造情報を容易にするだけでなく、モバイルデジタルデバイスに適した軽量化も可能である。 実験結果から,本手法は画像の超解像時間と複雑性の回復時間において,より競争力が高いことがわかった。 DSRNetのコードはhttps://github.com/hellloxiaotian/DSRNetで入手できる。

関連論文リスト

• A Heterogeneous Dynamic Convolutional Neural Network for Image Super-resolution [111.97970576223622]
  画像超解像(HDSRNet)における異種動的畳み込みネットワークを提案する。 下位のネットワークは対称アーキテクチャを使用して、異なるレイヤの関係を強化し、より構造的な情報をマイニングする。 実験結果から,HDSRNetは画像解決に有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-02-24T03:44:06Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Mixed Hierarchy Network for Image Restoration [0.0]
  画像復元における品質とシステムの複雑さのバランスをとることができる混合階層ネットワークを提案する。 我々のモデルはまずエンコーダ・デコーダアーキテクチャを用いて文脈情報を学習し,次に空間的詳細を保存する高分解能分岐と組み合わせる。 その結果、MHNetという名前の密接な相互接続階層アーキテクチャは、いくつかのイメージ復元タスクにおいて、強力なパフォーマンス向上をもたらす。
  論文  参考訳（メタデータ） (2023-02-19T12:18:45Z)
• A heterogeneous group CNN for image super-resolution [127.2132400582117]
  畳み込みニューラルネットワーク(CNN)は、深いアーキテクチャを通して顕著な性能を得た。 異種グループSR CNN(HGSRCNN)を,異なるタイプの構造情報を利用して高品質な画像を得る。
  論文  参考訳（メタデータ） (2022-09-26T04:14:59Z)
• LR-Net: A Block-based Convolutional Neural Network for Low-Resolution Image Classification [0.0]
  ノイズや低解像度の画像から低レベル特徴と大域特徴の両方を学習するためのブロックで構成された,新しい画像分類アーキテクチャを開発した。 ブロックの設計は,性能向上とパラメータサイズ削減のために,Residual ConnectionとInceptionモジュールの影響を強く受けていた。 我々は、提示されたアーキテクチャが既存の最先端畳み込みニューラルネットワークよりも高速で正確であることを示す詳細なテストを実施した。
  論文  参考訳（メタデータ） (2022-07-19T20:01:11Z)
• Image Super-resolution with An Enhanced Group Convolutional Neural Network [102.2483249598621]
  学習能力の強いCNNは、超解像問題を解くために広く選択されている。 浅層構造を持つ超解像群CNN(ESRGCNN)を提案する。 ESRGCNNは、SISRの性能、複雑さ、実行速度、画質評価およびSISRの視覚効果の観点から、最先端技術を上回っていると報告されている。
  論文  参考訳（メタデータ） (2022-05-29T00:34:25Z)
• 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)
• 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)

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。