論文の概要: LIR: Efficient Degradation Removal for Lightweight Image Restoration
- arxiv url: http://arxiv.org/abs/2402.01368v1
- Date: Fri, 2 Feb 2024 12:39:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-05 15:27:20.295811
- Title: LIR: Efficient Degradation Removal for Lightweight Image Restoration
- Title(参考訳): LIR:軽量画像復元のための効率的な劣化除去
- Authors: Dongqi Fan, Ting Yue, Xin Zhao, Liang Chang
- Abstract要約: 本稿では, 劣化(青, 雨, 騒音, ヘイズなど)を効率的に除去する軽量画像復元ネットワーク LIR を提案する。
LIRの鍵となるコンポーネントは、適応フィルタとアテンションブロックで構成される、効率的なアダプティブアテンションブロック(EAA)である。
我々のLIRは,パラメータや計算量が少ないほとんどのベンチマークにおいて,最先端ネットワークに匹敵する性能を実現している。
- 参考スコア(独自算出の注目度): 4.907416877454047
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, there have been significant advancements in Image Restoration based
on CNN and transformer. However, the inherent characteristics of the Image
Restoration task are often overlooked in many works. These works often focus on
the basic block design and stack numerous basic blocks to the model, leading to
redundant parameters and unnecessary computations and hindering the efficiency
of the image restoration. In this paper, we propose a Lightweight Image
Restoration network called LIR to efficiently remove degradation (blur, rain,
noise, haze, etc.). A key component in LIR is the Efficient Adaptive Attention
(EAA) Block, which is mainly composed of Adaptive Filters and Attention Blocks.
It is capable of adaptively sharpening contours, removing degradation, and
capturing global information in various image restoration scenes in an
efficient and computation-friendly manner. In addition, through a simple
structural design, LIR addresses the degradations existing in the local and
global residual connections that are ignored by modern networks. Extensive
experiments demonstrate that our LIR achieves comparable performance to
state-of-the-art networks on most benchmarks with fewer parameters and
computations. It is worth noting that our LIR produces better visual results
than state-of-the-art networks that are more in line with the human aesthetic.
- Abstract(参考訳): 近年,CNNとトランスフォーマーをベースとした画像復元が大幅に進歩している。
しかし、画像復元作業の本質的な特徴は、多くの作品で見過ごされている。
これらの作業は、基本ブロックの設計と、多数の基本ブロックをモデルに積み重ねることに重点を置いており、冗長なパラメータと不要な計算をもたらし、画像復元の効率を妨げている。
本稿では,lirと呼ばれる軽量な画像復元ネットワークを提案し,劣化(泥,雨,騒音,煙など)を効率的に除去する。
LIRの鍵となるコンポーネントは、適応フィルタとアテンションブロックで構成される、効率的なアダプティブアテンションブロック(EAA)である。
様々な画像復元シーンにおける輪郭を適応的に研削し、劣化を除去し、グローバル情報を効率的かつ計算フレンドリに捉えることができる。
さらに、単純な構造設計により、LIRは、現代のネットワークで無視される局所的および大域的残差接続に存在する劣化に対処する。
我々のLIRは、パラメータや計算量が少ないほとんどのベンチマークにおいて、最先端ネットワークに匹敵する性能を実現している。
我々のLIRは、人間の美学とより一致した最先端のネットワークよりも、より良い視覚結果を生み出すことは注目に値する。
関連論文リスト
- Unified-Width Adaptive Dynamic Network for All-In-One Image Restoration [50.81374327480445]
本稿では, 複雑な画像劣化を基本劣化の観点で表現できる, という新しい概念を提案する。
We propose the Unified-Width Adaptive Dynamic Network (U-WADN) which consist of two pivotal components: a Width Adaptive Backbone (WAB) and a Width Selector (WS)。
提案したU-WADNは、最大32.3%のFLOPを同時に削減し、約15.7%のリアルタイム加速を実現している。
論文 参考訳(メタデータ) (2024-01-24T04:25:12Z) - Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。
CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。
DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文 参考訳(メタデータ) (2023-10-11T12:46:11Z) - Prompt-based Ingredient-Oriented All-in-One Image Restoration [0.0]
複数の画像劣化課題に対処する新しいデータ成分指向手法を提案する。
具体的には、エンコーダを用いて特徴をキャプチャし、デコーダを誘導するための劣化情報を含むプロンプトを導入する。
我々の手法は最先端技術と競争的に機能する。
論文 参考訳(メタデータ) (2023-09-06T15:05:04Z) - Enhancing Low-light Light Field Images with A Deep Compensation
Unfolding Network [52.77569396659629]
本稿では,低光環境下で撮像した光場(LF)画像の復元に,DCUNet(Deep compensation network openfolding)を提案する。
このフレームワークは、中間拡張結果を使用して照明マップを推定し、展開プロセスで新しい拡張結果を生成する。
本稿では,LF画像の特徴を適切に活用するために,擬似明示的特徴相互作用モジュールを提案する。
論文 参考訳(メタデータ) (2023-08-10T07:53:06Z) - All-in-one Multi-degradation Image Restoration Network via Hierarchical
Degradation Representation [47.00239809958627]
我々は新しいオールインワン・マルチデグレーション画像復元ネットワーク(AMIRNet)を提案する。
AMIRNetは、クラスタリングによって木構造を段階的に構築することで、未知の劣化画像の劣化表現を学習する。
この木構造表現は、様々な歪みの一貫性と不一致を明示的に反映しており、画像復元の具体的な手がかりとなっている。
論文 参考訳(メタデータ) (2023-08-06T04:51:41Z) - Unlocking Low-Light-Rainy Image Restoration by Pairwise Degradation
Feature Vector Guidance [40.06115958764975]
L2RIRNet$という,低照度化とデラミネーションを両立できるエンド・ツー・エンドのネットワークを提案する。
我々のネットワークは主に、P-Net(Pairwise Degradation Feature Vector extract Network)とRecovery Network(R-Net)を含む。
論文 参考訳(メタデータ) (2023-05-06T10:17:42Z) - Invertible Network for Unpaired Low-light Image Enhancement [78.33382003460903]
本稿では,非可逆的ネットワークを活用して,前処理における低照度画像の強化と,非対向学習により逆向きに通常の照度画像の劣化を図ることを提案する。
対向的損失に加えて、トレーニングの安定性を確保し、より詳細な画像を保存するために、様々な損失関数を設計する。
低照度画像に対するプログレッシブ自己誘導強調処理を提案し,SOTAに対して良好な性能を示す。
論文 参考訳(メタデータ) (2021-12-24T17:00:54Z) - Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。
本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文 参考訳(メタデータ) (2021-08-19T11:02:25Z) - Multi-scale Self-calibrated Network for Image Light Source Transfer [6.756499794542229]
LLSTはシーン再構成、シャドウ推定、イメージ再レンダリングの3つのサブタスクに分解される。
特徴表現をキャリブレーションする新しいダウンサンプリング機能自己キャリブレーションブロック(DFSB)とアップサンプリング機能自己キャリブレーションブロック(UFSB)を提案する。
VIDITデータセットの実験結果から,提案手法はLLSTの性能を著しく向上させることが示された。
論文 参考訳(メタデータ) (2021-04-18T12:23:01Z)
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。