論文の概要: Improving Stability during Upsampling -- on the Importance of Spatial
Context
- arxiv url: http://arxiv.org/abs/2311.17524v1
- Date: Wed, 29 Nov 2023 10:53:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-30 21:41:25.298657
- Title: Improving Stability during Upsampling -- on the Importance of Spatial
Context
- Title(参考訳): アップサンプリング時の安定性向上 -空間的文脈の重要性-
- Authors: Shashank Agnihotri, Julia Grabinski and Margret Keuper
- Abstract要約: カーネルサイズを増大させる畳み込みアップサンプリング操作を用いて、アップサンプリング中のコンテキストの関連性を検討する。
カーネルサイズが大きくなると、画像復元や画像分割といったタスクの予測安定性が向上する。
- 参考スコア(独自算出の注目度): 17.253503719778383
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: State-of-the-art models for pixel-wise prediction tasks such as image
restoration, image segmentation, or disparity estimation, involve several
stages of data resampling, in which the resolution of feature maps is first
reduced to aggregate information and then sequentially increased to generate a
high-resolution output. Several previous works have investigated the effect of
artifacts that are invoked during downsampling and diverse cures have been
proposed that facilitate to improve prediction stability and even robustness
for image classification. However, equally relevant, artifacts that arise
during upsampling have been less discussed. This is significantly relevant as
upsampling and downsampling approaches face fundamentally different challenges.
While during downsampling, aliases and artifacts can be reduced by blurring
feature maps, the emergence of fine details is crucial during upsampling.
Blurring is therefore not an option and dedicated operations need to be
considered. In this work, we are the first to explore the relevance of context
during upsampling by employing convolutional upsampling operations with
increasing kernel size while keeping the encoder unchanged. We find that
increased kernel sizes can in general improve the prediction stability in tasks
such as image restoration or image segmentation, while a block that allows for
a combination of small-size kernels for fine details and large-size kernels for
artifact removal and increased context yields the best results.
- Abstract(参考訳): 画像復元、画像分割、不均一推定といった画素単位の予測タスクのための最先端モデルでは、データ再サンプリングのいくつかの段階があり、特徴マップの解像度をまず集約情報に還元し、次に順次増加して高解像度の出力を生成する。
画像分類における予測安定性やロバスト性を改善するため、ダウンサンプリング中に呼び出されるアーティファクトの効果や様々な治療法が提案されている。
しかし、同様に、アップサンプリング中に生じるアーティファクトは議論されていない。
これは、アップサンプリングとダウンサンプリングアプローチが根本的に異なる課題に直面しているため、非常に関係がある。
ダウンサンプリング、エイリアス、アーティファクトは特徴マップを曖昧にすることで削減できるが、アップサンプリングの間は細部の詳細の出現が不可欠である。
したがって、ぼやけは選択肢ではなく、専用の操作を考慮する必要がある。
本稿では,コンボリューションアップサンプリング演算をカーネルサイズを増加させながら,エンコーダを不変にすることで,アップサンプリング時のコンテキストの関連性を初めて検討する。
画像復元や画像セグメンテーションなどのタスクでは,カーネルサイズが大きくなると予測安定性が向上するが,細部では小型カーネルとアーティファクト除去のための大規模カーネルの組み合わせを可能にするブロックが最良となる。
関連論文リスト
- Gated Multi-Resolution Transfer Network for Burst Restoration and
Enhancement [75.25451566988565]
低画質の原画像のバーストから空間的精度の高い高画質画像を再構成する新しいGated Multi-Resolution Transfer Network (GMTNet)を提案する。
5つのデータセットに関する詳細な実験分析は、我々のアプローチを検証し、バースト超解像、バーストデノイング、低照度バーストエンハンスメントのための最先端技術を設定する。
論文 参考訳(メタデータ) (2023-04-13T17:54:00Z) - 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) - Learning Spatio-Temporal Downsampling for Effective Video Upscaling [20.07194339353278]
本稿では,時空間ダウンサンプリングとアップサンプリングを学習することで,時空間エイリアス問題を解決することを目的とする。
我々のフレームワークは、任意のビデオリサンプリング、ぼやけたフレーム再構築、効率的なビデオストレージなど、様々なアプリケーションを可能にする。
論文 参考訳(メタデータ) (2022-03-15T17:59:00Z) - Towards Bidirectional Arbitrary Image Rescaling: Joint Optimization and
Cycle Idempotence [76.93002743194974]
本稿では、任意の再スケーリング(アップスケーリングとダウンスケーリングの両方)を統一プロセスとして扱う方法を提案する。
提案モデルでは、アップスケーリングとダウンスケーリングを同時に学習し、双方向の任意のイメージ再スケーリングを実現する。
繰り返しにダウンスケーリング・アップスケーリング・サイクルが適用された場合, 復元精度が著しく低下することなく, サイクルイデオポテンス試験において堅牢であることが確認された。
論文 参考訳(メタデータ) (2022-03-02T07:42:15Z) - Learning to Downsample for Segmentation of Ultra-High Resolution Images [6.432524678252553]
空間的に変化するダウンサンプリング戦略とセグメンテーションを併用して学習することで,計算予算に制限のある大きな画像のセグメンテーションにメリットがあることが示される。
本手法は, サンプリング密度を異なる場所に適用することにより, より小さな重要な領域から, より少ない領域からより多くのサンプルを収集する。
2つの公開データセットと1つのローカル高解像度データセットについて、本手法は、より多くの情報を保存するためのサンプリング位置を一貫して学習し、ベースライン法よりもセグメンテーション精度を向上することを示す。
論文 参考訳(メタデータ) (2021-09-22T23:04:59Z) - Designing a Practical Degradation Model for Deep Blind Image
Super-Resolution [134.9023380383406]
単一画像スーパーレゾリューション (sisr) 法は, 推定劣化モデルが実画像から逸脱した場合はうまく動作しない。
本稿では, ランダムにシャッフルされたブラー, ダウンサンプリング, ノイズ劣化からなる, より複雑で実用的な劣化モデルを提案する。
論文 参考訳(メタデータ) (2021-03-25T17:40:53Z) - Scale factor point spread function matching: Beyond aliasing in image
resampling [4.81150027600776]
撮像装置はNyquist-Shannonサンプリング定理を利用して、設計によるエイリアシングと冗長なオーバーサンプリングの両方を避ける。
医用画像再サンプリングでは、画像は連続関数と見なされ、空間変換によって歪められ、通常の格子上にサンプリングされる。
本論文では, 臨床応用における重要なバイアスにつながる可能性のある, エイリアシングを含むアーティファクトを紹介する。
論文 参考訳(メタデータ) (2021-01-16T11:40:58Z) - Adversarial Semantic Data Augmentation for Human Pose Estimation [96.75411357541438]
本研究では,セマンティックデータ拡張法 (SDA) を提案する。
また,適応的セマンティックデータ拡張 (ASDA) を提案する。
最先端の結果は、挑戦的なベンチマークで得られます。
論文 参考訳(メタデータ) (2020-08-03T07:56:04Z) - Invertible Image Rescaling [118.2653765756915]
Invertible Rescaling Net (IRN) を開発した。
我々は、ダウンスケーリングプロセスにおいて、指定された分布に従う潜在変数を用いて、失われた情報の分布をキャプチャする。
論文 参考訳(メタデータ) (2020-05-12T09:55:53Z)
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。