Fugu-MT 論文翻訳(概要): Video Super-Resolution Using a Grouped Residual in Residual Network

論文の概要: Video Super-Resolution Using a Grouped Residual in Residual Network

arxiv url: http://arxiv.org/abs/2310.11276v1
Date: Tue, 17 Oct 2023 13:55:43 GMT
ステータス: 処理完了
システム内更新日: 2023-10-18 15:39:27.276333
Title: Video Super-Resolution Using a Grouped Residual in Residual Network
Title（参考訳）: グループ化残差ネットワークを用いたビデオ超解像
Authors: MohammadHossein Ashoori, and Arash Amini
Abstract要約: ビデオ超解像(VSR)は、単一画像超解像(SISR)の一般化と見なすことができる。本稿では,VSRのためのグループ化残差ネットワーク(GRRN)を提案する。
参考スコア（独自算出の注目度）: 12.691703425623055
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Super-resolution (SR) is the technique of increasing the nominal resolution of image / video content accompanied with quality improvement. Video super-resolution (VSR) can be considered as the generalization of single image super-resolution (SISR). This generalization should be such that more detail is created in the output using adjacent input frames. In this paper, we propose a grouped residual in residual network (GRRN) for VSR. By adjusting the hyperparameters of the proposed structure, we train three networks with different numbers of parameters and compare their quantitative and qualitative results with the existing methods. Although based on some quantitative criteria, GRRN does not provide better results than the existing methods, in terms of the quality of the output image it has acceptable performance.
Abstract（参考訳）: 超解像 (SR) は画質改善に伴う画像/映像コンテンツの名目上の解像度を高める技術である。ビデオ超解像(VSR)は、単一画像超解像(SISR)の一般化と見なすことができる。この一般化は、隣接する入力フレームを使用して出力にさらに詳細が生成されるようにすべきである。本稿では,VSRのためのグループ化残差ネットワーク(GRRN)を提案する。提案手法のハイパーパラメータを調整することで,パラメータの異なる3つのネットワークを訓練し,その定量的・定性的結果を既存の手法と比較した。いくつかの定量的基準に基づき、GRRNは既存の手法よりも優れた結果を提供していないが、出力画像の品質は許容できる性能を持っている。

関連論文リスト

Detail-Enhancing Framework for Reference-Based Image Super-Resolution [8.899312174844725]
参照型超解像のためのDEF(Detail-Enhancing Framework)を提案する。提案手法は,比較した数値結果を維持しながら,優れた視覚的結果が得られる。
論文参考訳（メタデータ） (2024-05-01T10:27:22Z)
Fortifying Fully Convolutional Generative Adversarial Networks for Image Super-Resolution Using Divergence Measures [17.517010701323823]
超解像(英: Super-Resolution, SR)は、時間制限された画像処理問題である。本稿では,SRのためのGANベースのアーキテクチャを提案する。本稿では,GAN発生器の深度を増大させることで得られる差分畳み込み特性を,学習可能な凸重みの集合で最適に組み合わせることができることを示す。
論文参考訳（メタデータ） (2024-04-09T13:19:43Z)
Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image Denoising [50.039949798156826]
本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
論文参考訳（メタデータ） (2022-07-09T13:35:12Z)
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)
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)
Deep Networks for Image and Video Super-Resolution [30.75380029218373]
単一画像超解像(SISR)は、MDCB(Mixed-Dense connection block)と呼ばれる効率的な畳み込みユニットを用いて構築される。ネットワークの2つのバージョンをトレーニングし、異なる損失構成を用いて相補的な画像品質を向上させる。ネットワークは複数のフレームから情報を集約し,時間的整合性を維持するために学習する。
論文参考訳（メタデータ） (2022-01-28T09:15:21Z)
MASA-SR: Matching Acceleration and Spatial Adaptation for Reference-Based Image Super-Resolution [74.24676600271253]
本稿では、RefSRのためのMASAネットワークを提案し、これらの問題に対処するために2つの新しいモジュールを設計する。提案したMatch & extract Moduleは、粗大な対応マッチング方式により計算コストを大幅に削減する。空間適応モジュールは、LR画像とRef画像の分布の差を学習し、Ref特徴の分布を空間適応的にLR特徴の分布に再マップする。
論文参考訳（メタデータ） (2021-06-04T07:15:32Z)
Hyperspectral Image Super-resolution via Deep Progressive Zero-centric Residual Learning [62.52242684874278]
空間情報とスペクトル情報の相互モダリティ分布が問題となる。本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
論文参考訳（メタデータ） (2020-06-18T06:32:11Z)
iSeeBetter: Spatio-temporal video super-resolution using recurrent generative back-projection networks [0.0]
ビデオ超解像(VSR)に対する新しいGANに基づく構造時間的アプローチiSeeBetterを提案する。 iSeeBetterは、リカレントバックプロジェクションネットワークをジェネレータとして使用して、現在のフレームと隣接するフレームから時空間情報を抽出する。以上の結果から,iSeeBetterはVSRの忠実度に優れ,最先端の性能に勝ることを示した。
論文参考訳（メタデータ） (2020-06-13T01:36:30Z)
Residual Channel Attention Generative Adversarial Network for Image Super-Resolution and Noise Reduction [14.217260022873083]
深層ネットワークが深まるにつれて、トレーニングが難しくなり、より細かいテクスチャの詳細を復元することが難しくなります。本稿では,これらの問題を解決するために,Residual Channel Attention-Generative Adversarial Network (RCA-GAN)を提案する。 RCA-GANは、ベースラインモデルよりも細部と自然なテクスチャで、常に視覚的品質が向上する。
論文参考訳（メタデータ） (2020-04-28T17:23:46Z)
Video Face Super-Resolution with Motion-Adaptive Feedback Cell [90.73821618795512]
深部畳み込みニューラルネットワーク(CNN)の発展により,ビデオ超解像法(VSR)は近年,顕著な成功を収めている。本稿では,動作補償を効率的に捕捉し,適応的にネットワークにフィードバックする,シンプルで効果的なブロックである動き適応型フィードバックセル(MAFC)を提案する。
論文参考訳（メタデータ） (2020-02-15T13:14:10Z)

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。