論文の概要: Noise-free Optimization in Early Training Steps for Image
Super-Resolution
- arxiv url: http://arxiv.org/abs/2312.17526v1
- Date: Fri, 29 Dec 2023 09:13:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-02 10:14:59.547947
- Title: Noise-free Optimization in Early Training Steps for Image
Super-Resolution
- Title(参考訳): 画像超解像の初期訓練におけるノイズフリー最適化
- Authors: MinKyu Lee, Jae-Pil Heo
- Abstract要約: 本研究では,対象のHR画像を2つのサブコンポーネントに分解することで,基礎となる構成要素をよりよく理解することを目的とする。
本研究は, SISRの誤った性質を把握できないことを示唆するものである。
本研究では,バニラ訓練の初期段階において,固有雑音項を効果的に除去できる新しい最適化手法を提案する。
- 参考スコア(独自算出の注目度): 20.169700745745462
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Recent deep-learning-based single image super-resolution (SISR) methods have
shown impressive performance whereas typical methods train their networks by
minimizing the pixel-wise distance with respect to a given high-resolution (HR)
image. However, despite the basic training scheme being the predominant choice,
its use in the context of ill-posed inverse problems has not been thoroughly
investigated. In this work, we aim to provide a better comprehension of the
underlying constituent by decomposing target HR images into two subcomponents:
(1) the optimal centroid which is the expectation over multiple potential HR
images, and (2) the inherent noise defined as the residual between the HR image
and the centroid. Our findings show that the current training scheme cannot
capture the ill-posed nature of SISR and becomes vulnerable to the inherent
noise term, especially during early training steps. To tackle this issue, we
propose a novel optimization method that can effectively remove the inherent
noise term in the early steps of vanilla training by estimating the optimal
centroid and directly optimizing toward the estimation. Experimental results
show that the proposed method can effectively enhance the stability of vanilla
training, leading to overall performance gain. Codes are available at
github.com/2minkyulee/ECO.
- Abstract(参考訳): 近年の深層学習に基づく単一画像超解像法(SISR)は,高分解能(HR)画像に対する画素幅の最小化により,ネットワークをトレーニングする典型的な手法である。
しかし, 基本訓練方式が主流であるにもかかわらず, 不正な逆問題の文脈での利用については, 十分に検討されていない。
本研究では,対象のHR画像から複数のHR画像に対する期待値である最適セントロイドと,HR画像とセントロイドの残差として定義される固有ノイズの2つのサブコンポーネントに分解することで,基礎となる構成成分をよりよく理解することを目的とする。
以上の結果から,現在のトレーニング手法ではSISRの不正な性質を捉えられず,特に早期訓練の段階では固有のノイズ項に弱いことが示唆された。
そこで本研究では,バニラ訓練の初期段階における固有雑音項を,最適な遠心率を推定し,直接的最適化を行うことで効果的に除去できる新しい最適化手法を提案する。
実験の結果,提案手法はバニラ訓練の安定性を効果的に向上し,全体の性能向上につながることが示された。
コードはgithub.com/2minkyulee/ECOで入手できる。
関連論文リスト
- Generalized Expectation Maximization Framework for Blind Image Super
Resolution [28.108363151431877]
視覚障害者のためのエンドツーエンド学習フレームワークを提案する。
提案手法は,一般予測最大化(GEM)アルゴリズムに学習手法を統合し,最大推定(MLE)からHR画像を推定する。
論文 参考訳(メタデータ) (2023-05-23T10:01:58Z) - Meta-Learned Kernel For Blind Super-Resolution Kernel Estimation [22.437479940607332]
本稿では,画像の分布に含まれる情報からメタ学習を行う学習学習アプローチを提案する。
提案手法は,既存手法よりも14.24~102.1倍高速に推算できることを示す。
論文 参考訳(メタデータ) (2022-12-15T15:11:38Z) - Real-World Image Super-Resolution by Exclusionary Dual-Learning [98.36096041099906]
実世界の画像超解像は,高品質な画像を得るための実用的な画像復元問題である。
深層学習に基づく手法は、現実世界の超解像データセットの復元に期待できる品質を実現している。
本稿では,RWSR-EDL(Real-World Image Super-Resolution by Exclusionary Dual-Learning)を提案する。
論文 参考訳(メタデータ) (2022-06-06T13:28:15Z) - Memory-augmented Deep Unfolding Network for Guided Image
Super-resolution [67.83489239124557]
誘導画像超解像(GISR)は、HR画像の誘導の下で低解像度(LR)目標画像の空間分解能を高めて高解像度(HR)目標画像を得る。
従来のモデルベース手法は主に画像全体を取り、HR目標画像とHRガイダンス画像との事前分布を仮定する。
HR目標画像上で2種類の事前性を持つGISRの最大後部(MAP)推定モデルを提案する。
論文 参考訳(メタデータ) (2022-02-12T15:37:13Z) - What Hinders Perceptual Quality of PSNR-oriented Methods? [61.648259566212424]
本稿では,高頻度拡張モジュールと空間コントラスト学習モジュールを組み合わせることで,COO問題と低周波傾向の影響を低減することを提案する。
実験結果から、DCLossを複数の正規SRモデルに適用する際の効率と有効性を示した。
論文 参考訳(メタデータ) (2022-01-04T08:30:09Z) - Deep Variational Network Toward Blind Image Restoration [55.33102369856991]
ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。
両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。
画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
論文 参考訳(メタデータ) (2020-08-25T03:30:53Z) - The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。
次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。
そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-05-16T08:17:44Z) - 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) - Characteristic Regularisation for Super-Resolving Face Images [81.84939112201377]
既存の顔画像超解像法(SR)は、主に人工的にダウンサンプリングされた低解像度(LR)画像の改善に焦点を当てている。
従来の非教師なしドメイン適応(UDA)手法は、未ペアの真のLRとHRデータを用いてモデルをトレーニングすることでこの問題に対処する。
これにより、視覚的特徴を構成することと、画像の解像度を高めることの2つのタスクで、モデルをオーバーストレッチする。
従来のSRモデルとUDAモデルの利点を結合する手法を定式化する。
論文 参考訳(メタデータ) (2019-12-30T16:27:24Z)
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。