Fugu-MT 論文翻訳(概要): TMSR: Tiny Multi-path CNNs for Super Resolution

論文の概要: TMSR: Tiny Multi-path CNNs for Super Resolution

arxiv url: http://arxiv.org/abs/2312.01644v1
Date: Mon, 4 Dec 2023 05:52:49 GMT
ステータス: 処理完了
システム内更新日: 2023-12-05 16:09:45.653419
Title: TMSR: Tiny Multi-path CNNs for Super Resolution
Title（参考訳）: TMSR:超高解像度のマルチパスCNN
Authors: Chia-Hung Liu, Tzu-Hsin Hsieh, Kuan-Yu Huang, Pei-Yin Chen
Abstract要約: TMSRと呼ばれるマルチパスCNNを用いた超解法を提案する。提案手法の主な貢献は、改良されたマルチパス学習と自己定義活性化関数である。
参考スコア（独自算出の注目度）: 0.5161531917413706
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we proposed a tiny multi-path CNN-based Super-Resolution (SR) method, called TMSR. We mainly refer to some tiny CNN-based SR methods, under 5k parameters. The main contribution of the proposed method is the improved multi-path learning and self-defined activated function. The experimental results show that TMSR obtains competitive image quality (i.e. PSNR and SSIM) compared to the related works under 5k parameters.
Abstract（参考訳）: 本稿では,TMSRと呼ばれるマルチパスCNNを用いた超解法を提案する。主に5kパラメータのCNNベースのSR手法について言及する。提案手法の主な貢献は,マルチパス学習と自己定義活性化機能の改善である。実験結果から,TMSRは5kパラメータによる関連作品と比較して,競合画像の品質(PSNR,SSIM)が得られることがわかった。

関連論文リスト

Exploring Linear Attention Alternative for Single Image Super-Resolution [28.267177967085143]
ディープラーニングベースのシングルイメージ超解像(SISR)技術は、低解像度(LR)画像を高解像度(HR)画像に拡張することに焦点を当てている。本稿では,Receptance Weighted Key Value (RWKV) アーキテクチャと特徴抽出技術を組み合わせた新しい手法を提案する。 MambaIRモデルと比較すると,PSNRでは0.26%,SSIMでは0.16%の平均的な改善が得られた。
論文参考訳（メタデータ） (2025-02-01T11:39:02Z)
Rethinking the Upsampling Layer in Hyperspectral Image Super Resolution [51.98465973507002]
ハイパースペクトル画像のマルチスケールチャネル特性のキャリブレーションにチャネルアテンションを組み込んだ,新しい軽量SHSRネットワーク LKCA-Net を提案する。我々は、学習可能なアップサンプリング層の低ランク特性が軽量なSHSR手法における重要なボトルネックであることを初めて証明した。
論文参考訳（メタデータ） (2025-01-30T15:43:34Z)
Rethinking Image Super-Resolution from Training Data Perspectives [54.28824316574355]
画像超解像(SR)におけるトレーニングデータの効果について検討する。そこで我々は,自動画像評価パイプラインを提案する。その結果, (i) 圧縮アーチファクトの少ないデータセット, (ii) 被写体数によって判断される画像内多様性の高いデータセット, (iii) ImageNet や PASS からの大量の画像がSR性能に肯定的な影響を与えることがわかった。
論文参考訳（メタデータ） (2024-09-01T16:25:04Z)
AnySR: Realizing Image Super-Resolution as Any-Scale, Any-Resource [84.74855803555677]
我々はAnySRを導入し、既存の任意のスケールのSRメソッドを任意のソース実装に再構築する。私たちのAnySRは、1)任意のスケールタスクを任意のリソース実装として構築し、追加のパラメータなしで小さなスケールのリソース要件を減らします。その結果,AnySR は SISR タスクをより効率的な計算方法で実装し,既存の任意のスケールの SISR メソッドに匹敵する性能を示した。
論文参考訳（メタデータ） (2024-07-05T04:00:14Z)
Exploiting Self-Supervised Constraints in Image Super-Resolution [72.35265021054471]
本稿では,SSC-SRと呼ばれる単一画像超解像のための新しい自己監督制約を提案する。 SSC-SRは、安定性を高めるために指数移動平均によって更新された二重非対称パラダイムとターゲットモデルを用いることで、画像の複雑さのばらつきに一意に対処する。 SSC-SRフレームワークはさまざまなベンチマークデータセットに対して,EDSR平均0.1dB,SwinIR平均0.06dBの大幅な拡張を実現している。
論文参考訳（メタデータ） (2024-03-30T06:18:50Z)
Activating Wider Areas in Image Super-Resolution [23.52183937294807]
Vision Mamba (Vim)は、対応する高解像度画像を再構成する最も関連性の高い、代表的な入力ピクセルを見つけることができる。 MMAは最先端のSISR法と比較して、競争力や性能に優れる。
論文参考訳（メタデータ） (2024-03-13T08:29:58Z)
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)
Hybrid Pixel-Unshuffled Network for Lightweight Image Super-Resolution [64.54162195322246]
畳み込みニューラルネットワーク(CNN)は画像超解像(SR)において大きな成功を収めたほとんどのディープCNNベースのSRモデルは、高い性能を得るために大量の計算を処理している。 SRタスクに効率的かつ効果的なダウンサンプリングモジュールを導入することで,HPUN(Hybrid Pixel-Unshuffled Network)を提案する。
論文参考訳（メタデータ） (2022-03-16T20:10:41Z)
Extremely Lightweight Quantization Robust Real-Time Single-Image Super Resolution for Mobile Devices [0.0]
シングルイメージ・スーパーレゾリューション(SISR)は古典的なコンピュータビジョンの問題であり、数十年にわたって研究されてきた。 SISRに関する最近の研究は、ディープラーニングの方法論に焦点を合わせ、最先端の結果を得る。ハードウェア(Synaptics Dolphin NPU)を意識した超軽量量子化ロバストリアルタイム超解像ネットワーク(XLSR)を提案する。
論文参考訳（メタデータ） (2021-05-21T11:29:48Z)
Deep Iterative Residual Convolutional Network for Single Image Super-Resolution [31.934084942626257]
我々は、ISRResCNet(Deep Iterative Super-Resolution Residual Convolutional Network)を提案する。残差学習アプローチを用いて、深層ネットワークを反復的に訓練することにより、強力な画像正規化と大規模最適化手法を活用する。トレーニング可能なパラメータがいくつかある本手法は,最先端の手法と比較して,異なるスケーリング要因に対する結果を改善する。
論文参考訳（メタデータ） (2020-09-07T12:54:14Z)

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。