論文の概要: Blind Image Super-resolution with Rich Texture-Aware Codebooks

• arxiv url: http://arxiv.org/abs/2310.17188v1
• Date: Thu, 26 Oct 2023 07:00:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-27 21:42:07.617211
• Title: Blind Image Super-resolution with Rich Texture-Aware Codebooks
• Title（参考訳）: リッチテクスチャ対応コードブックを用いたブラインド画像超解像
• Authors: Rui Qin, Ming Sun, Fangyuan Zhang, Xing Wen, Bin Wang
• Abstract要約: 近年,高解像度 (HR) 再構成符号ブックに基づくブラインド超解像 (BSR) 法が有望な成果を上げている。 HR再構成に基づくコードブックは,低分解能(LR)画像とHR画像との複雑な相関を効果的に捉えることができない。 本稿では, 分解汚損防止用テクスチャ事前モジュール (DTPM) とパッチ対応テクスチャ先行モジュール (PTPM) から構成されるリッチテクスチャ対応コードブックベースネットワーク (RTCNet) を提案する。
• 参考スコア（独自算出の注目度）: 12.608418657067947
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Blind super-resolution (BSR) methods based on high-resolution (HR) reconstruction codebooks have achieved promising results in recent years. However, we find that a codebook based on HR reconstruction may not effectively capture the complex correlations between low-resolution (LR) and HR images. In detail, multiple HR images may produce similar LR versions due to complex blind degradations, causing the HR-dependent only codebooks having limited texture diversity when faced with confusing LR inputs. To alleviate this problem, we propose the Rich Texture-aware Codebook-based Network (RTCNet), which consists of the Degradation-robust Texture Prior Module (DTPM) and the Patch-aware Texture Prior Module (PTPM). DTPM effectively mines the cross-resolution correlation of textures between LR and HR images by exploiting the cross-resolution correspondence of textures. PTPM uses patch-wise semantic pre-training to correct the misperception of texture similarity in the high-level semantic regularization. By taking advantage of this, RTCNet effectively gets rid of the misalignment of confusing textures between HR and LR in the BSR scenarios. Experiments show that RTCNet outperforms state-of-the-art methods on various benchmarks by up to 0.16 ~ 0.46dB.
• Abstract（参考訳）: 近年,高解像度(HR)復号法に基づくブラインド超解像法が有望な成果を上げている。 しかし、HR再構成に基づくコードブックは、低解像度(LR)画像とHR画像の複雑な相関を効果的に捉えることができない。 詳細は、複数のHR画像が複雑なブラインド劣化のために同様のLRバージョンを生成する可能性があるため、混乱したLR入力に直面した場合に、HR依存のコードブックのみがテクスチャの多様性に制限される。 この問題を軽減するために,分解性ローバストテクスチャ優先モジュール (DTPM) とパッチ対応テクスチャ優先モジュール (PTPM) からなるリッチテクスチャ対応コードブックベースネットワーク (RTCNet) を提案する。 DTPMは、テクスチャの相互解像度対応を利用して、LRとHR画像間のテクスチャの相互解像度相関を効果的にマイニングする。 ptpmはパッチワイズセマンティクスプリトレーニングを使用して、ハイレベルセマンティクス正規化におけるテクスチャ類似性の誤解を訂正する。 これを利用して、RTCNetはBSRシナリオにおけるHRとLRの混乱したテクスチャの調整を効果的に除去する。 実験の結果、RTCNetは様々なベンチマークにおける最先端の手法を0.16 ~ 0.46dBで上回っている。

関連論文リスト

• Enhanced Super-Resolution Training via Mimicked Alignment for Real-World Scenes [51.92255321684027]
  トレーニング中、LR入力とHR画像の整列により、誤調整問題を緩和する新しいプラグアンドプレイモジュールを提案する。 具体的には,従来のLR試料の特徴を保ちながらHRと整合する新しいLR試料を模倣する。 本手法を合成および実世界のデータセット上で総合的に評価し,SRモデルのスペクトル間での有効性を実証した。
  論文  参考訳（メタデータ） (2024-10-07T18:18:54Z)
• A Feature Reuse Framework with Texture-adaptive Aggregation for Reference-based Super-Resolution [29.57364804554312]
  参照ベース超解像(RefSR)は超解像の分野で大きな成功を収めている。 本稿では,ステップバイステップのテクスチャ再構築プロセスをガイドする機能再利用フレームワークを提案する。 単一画像特徴埋め込みモジュールとテクスチャ適応アグリゲーションモジュールを導入する。
  論文  参考訳（メタデータ） (2023-06-02T12:49:22Z)
• Learning Detail-Structure Alternative Optimization for Blind Super-Resolution [69.11604249813304]
  そこで我々は,ブラインドSRに先立ってカーネルを曖昧にすることなく,再帰的な詳細構造代替最適化を実現する,有効かつカーネルフリーなネットワークDSSRを提案する。 DSSRでは、細部構造変調モジュール(DSMM)が構築され、画像の詳細と構造の相互作用と協調を利用する。 本手法は既存の手法に対して最先端の手法を実現する。
  論文  参考訳（メタデータ） (2022-12-03T14:44:17Z)
• Reference-based Image Super-Resolution with Deformable Attention Transformer [62.71769634254654]
  RefSRは、補助参照(Ref)画像を超解像低解像度(LR)画像に活用することを目的としている。 本稿では,複数のスケールを持つ変形可能なアテンション変換器,すなわちDATSRを提案する。 DATSRがベンチマークデータセット上で最先端のパフォーマンスを達成することを示す実験を行った。
  論文  参考訳（メタデータ） (2022-07-25T07:07:00Z)
• 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)
• LAPAR: Linearly-Assembled Pixel-Adaptive Regression Network for Single Image Super-Resolution and Beyond [75.37541439447314]
  単一画像超解像(SISR)は、低解像度(LR)画像を高解像度(HR)バージョンにアップサンプリングする根本的な問題を扱う。 本稿では,線形組立画素適応回帰ネットワーク (LAPAR) を提案する。
  論文  参考訳（メタデータ） (2021-05-21T15:47:18Z)
• Cross-Scale Internal Graph Neural Network for Image Super-Resolution [147.77050877373674]
  自然画像における非局所的な自己相似性は、画像修復に有効な先行研究として、よく研究されている。 単一の画像超解像(SISR)の場合、既存のディープ非局所法のほとんどは、低解像度(LR)入力画像と同じ規模のパッチしか利用していない。 これは、新しいクロススケールな内部グラフニューラルネットワーク(IGNN)を用いて実現される。
  論文  参考訳（メタデータ） (2020-06-30T10:48:40Z)
• Learning Texture Transformer Network for Image Super-Resolution [47.86443447491344]
  画像超解像のためのテクスチュアトランスフォーマネットワーク(TTSR)を提案する。 TTSRは画像生成タスクに最適化された4つの近縁なモジュールで構成されている。 TTSRは、定量評価と定性評価の両方において最先端のアプローチよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2020-06-07T12:55:34Z)
• Deep Generative Adversarial Residual Convolutional Networks for Real-World Super-Resolution [31.934084942626257]
  我々は,超解像残差畳み込み生成共役ネットワーク(SRResCGAN)を提案する。 これは、生成したLRドメインからHRドメインの画素単位の監督でモデルを逆トレーニングすることで、現実世界の劣化設定に従う。 提案するネットワークは,画像の高精細化と凸最適化によるエネルギーベース目的関数の最小化により,残差学習を利用する。
  論文  参考訳（メタデータ） (2020-05-03T00:12:38Z)

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。