論文の概要: Target-oriented Domain Adaptation for Infrared Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2311.08816v1
• Date: Wed, 15 Nov 2023 09:35:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-16 16:34:21.802543
• Title: Target-oriented Domain Adaptation for Infrared Image Super-Resolution
• Title（参考訳）: 赤外画像超解像のためのターゲット指向領域適応
• Authors: Yongsong Huang, Tomo Miyazaki, Xiaofeng Liu, Yafei Dong, Shinichiro Omachi
• Abstract要約: ターゲット指向ドメイン適応SRGAN(DASRGAN)は、ロバストIR超解像モデル適応のための革新的なフレームワークである。 DASRGANは,(1)テクスチャを微妙に洗練するためのテクスチャ指向適応 (TOA) と,(2)ノイズ指向適応 (NOA) の2つの主要成分の相乗効果を利用する。
• 参考スコア（独自算出の注目度）: 7.842507196763463
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent efforts have explored leveraging visible light images to enrich texture details in infrared (IR) super-resolution. However, this direct adaptation approach often becomes a double-edged sword, as it improves texture at the cost of introducing noise and blurring artifacts. To address these challenges, we propose the Target-oriented Domain Adaptation SRGAN (DASRGAN), an innovative framework specifically engineered for robust IR super-resolution model adaptation. DASRGAN operates on the synergy of two key components: 1) Texture-Oriented Adaptation (TOA) to refine texture details meticulously, and 2) Noise-Oriented Adaptation (NOA), dedicated to minimizing noise transfer. Specifically, TOA uniquely integrates a specialized discriminator, incorporating a prior extraction branch, and employs a Sobel-guided adversarial loss to align texture distributions effectively. Concurrently, NOA utilizes a noise adversarial loss to distinctly separate the generative and Gaussian noise pattern distributions during adversarial training. Our extensive experiments confirm DASRGAN's superiority. Comparative analyses against leading methods across multiple benchmarks and upsampling factors reveal that DASRGAN sets new state-of-the-art performance standards. Code are available at \url{https://github.com/yongsongH/DASRGAN}.
• Abstract（参考訳）: 近年、赤外(IR)超解像におけるテクスチャの詳細を豊かにするために可視光画像を活用する研究が進められている。 しかし、この直接適応方式は、ノイズやぼやけたアーティファクトを犠牲にしてテクスチャを改善するため、二重刃の刀となることが多い。 これらの課題に対処するため、我々は、堅牢なIR超解像モデル適応に特化して設計された革新的なフレームワークであるターゲット指向のドメイン適応SRGAN(DASRGAN)を提案する。 DASRGANは2つのキーコンポーネントのシナジーで動作する。 1)テクスチャ指向適応(toa)によるテクスチャの詳細の精細化、及び 2)騒音伝達の最小化を目的としたノイズ指向適応(NOA) 具体的には、特殊識別器を独自に統合し、先行抽出枝を組み込み、ソーベル誘導対向損失を用いてテクスチャ分布を効果的に整列させる。 同時に、NOAはノイズ対向損失を利用して、対向訓練中に生成的およびガウス的雑音パターン分布を明瞭に分離する。 広範囲な実験により,DASRGANの優位性が確認された。 複数のベンチマークとアップサンプリングの要素をまたいだリードメソッドの比較分析により、dasrganは新しい最先端のパフォーマンス基準を設定できることが判明した。 コードは \url{https://github.com/yongsongh/dasrgan} で入手できる。

関連論文リスト

• Few-shot NeRF by Adaptive Rendering Loss Regularization [78.50710219013301]
  スパース入力を用いた新しいビュー合成はニューラルラジアンス場(NeRF)に大きな課題をもたらす 近年の研究では、位置レンダリングの周波数規則化は、数発のNeRFに対して有望な結果が得られることが示されている。 我々は,AR-NeRFと呼ばれる数発のNeRFに対して適応レンダリング損失正規化を提案する。
  論文  参考訳（メタデータ） (2024-10-23T13:05:26Z)
• Improving Synthetic Image Detection Towards Generalization: An Image Transformation Perspective [45.210030086193775]
  現在の合成画像検出(SID)パイプラインは、主に普遍的なアーティファクト機能を構築することを目的としている。 3つの簡単な画像変換を持つ軽量かつ効率的な検出器SAFEを提案する。 我々のパイプラインは、新しい最先端のパフォーマンスを実現し、既存の手法に対する平均精度は4.5%、平均精度は2.9%向上した。
  論文  参考訳（メタデータ） (2024-08-13T09:01:12Z)
• Frequency Domain Modality-invariant Feature Learning for Visible-infrared Person Re-Identification [79.9402521412239]
  本稿では、周波数領域から見たモダリティの相違を低減するために、新しい周波数領域モダリティ不変特徴学習フレームワーク(FDMNet)を提案する。 我々のフレームワークでは、インスタンス適応振幅フィルタ(IAF)とPhrase-Preserving Normalization(PPNorm)という、2つの新しいモジュールを導入している。
  論文  参考訳（メタデータ） (2024-01-03T17:11:27Z)
• Learn From Orientation Prior for Radiograph Super-Resolution: Orientation Operator Transformer [8.009052363001903]
  高解像度X線画像は骨格筋関連疾患の早期診断と治療において重要な役割を担っている。 放射線画像場に単一画像超解像(SISR)モデルを導入することにより,画質の向上が期待できる。 従来の画像パイプラインは、色空間と画素間パターンからSRとdenoisingの混合マッピングを学習することができる。
  論文  参考訳（メタデータ） (2023-12-27T07:56:24Z)
• Rethinking the Up-Sampling Operations in CNN-based Generative Network for Generalizable Deepfake Detection [86.97062579515833]
  我々は、アップサンプリング操作から生じる一般化された構造的アーティファクトをキャプチャし、特徴付ける手段として、NPR(Neighboring Pixel Relationships)の概念を紹介した。 tft28の異なる生成モデルによって生成されたサンプルを含む、オープンワールドデータセット上で包括的な分析を行う。 この分析は、新しい最先端のパフォーマンスを確立し、既存の手法よりも優れたtft11.6%の向上を示している。
  論文  参考訳（メタデータ） (2023-12-16T14:27:06Z)
• Learning to See Low-Light Images via Feature Domain Adaptation [17.033219611079165]
  そこで我々は,特徴領域適応(FDA)によって強化された単一段階ネットワークを提案し,生のLLIEにおけるデノイングとカラーマッピングのタスクを分離する。 FDAは、ラインバッファを減らすことで、グローバルとローカルの相関関係を探索することができる。 本手法は,計算コストを削減して最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-11T03:38:26Z)
• Adaptive Sparse Convolutional Networks with Global Context Enhancement for Faster Object Detection on Drone Images [26.51970603200391]
  本稿では,スパース畳み込みに基づく検出ヘッドの最適化について検討する。 これは、小さなオブジェクトのコンテキスト情報の不十分な統合に悩まされる。 本稿では,グローバルな文脈拡張型適応スパース畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-25T14:42:50Z)
• 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)
• Aggregated Contextual Transformations for High-Resolution Image Inpainting [57.241749273816374]
  画像の高精細化のための拡張GANモデルAggregated Contextual-Transformation GAN (AOT-GAN)を提案する。 そこで,提案するAOTブロックの複数のレイヤを積み重ねることで,AOT-GANのジェネレータを構築する。 テクスチャ合成を改善するため,AOT-GANの識別をマスク予測タスクでトレーニングすることで強化する。
  論文  参考訳（メタデータ） (2021-04-03T15:50:17Z)
• SFANet: A Spectrum-aware Feature Augmentation Network for Visible-Infrared Person Re-Identification [12.566284647658053]
  クロスモダリティマッチング問題に対するSFANetという新しいスペクトル認識特徴量化ネットワークを提案する。 grayscale-spectrumイメージで学習すると、モダリティの不一致を低減し、内部構造関係を検出することができる。 特徴レベルでは、特定および粉砕可能な畳み込みブロックの数のバランスをとることにより、従来の2ストリームネットワークを改善します。
  論文  参考訳（メタデータ） (2021-02-24T08:57:32Z)
• Image Fine-grained Inpainting [89.17316318927621]
  拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。 この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。 また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
  論文  参考訳（メタデータ） (2020-02-07T03:45:25Z)

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。