論文の概要: A Heterogeneous Dynamic Convolutional Neural Network for Image
Super-resolution
- arxiv url: http://arxiv.org/abs/2402.15704v1
- Date: Sat, 24 Feb 2024 03:44:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-27 17:20:42.586398
- Title: A Heterogeneous Dynamic Convolutional Neural Network for Image
Super-resolution
- Title(参考訳): 画像超解像のための不均一動的畳み込みニューラルネットワーク
- Authors: Chunwei Tian, Xuanyu Zhang, Jia Ren, Wangmeng Zuo, Yanning Zhang,
Chia-Wen Lin
- Abstract要約: 画像超解像(HDSRNet)における異種動的畳み込みネットワークを提案する。
下位のネットワークは対称アーキテクチャを使用して、異なるレイヤの関係を強化し、より構造的な情報をマイニングする。
実験結果から,HDSRNetは画像解決に有効であることが示唆された。
- 参考スコア(独自算出の注目度): 111.97970576223622
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Convolutional neural networks can automatically learn features via deep
network architectures and given input samples. However, robustness of obtained
models may have challenges in varying scenes. Bigger differences of a network
architecture are beneficial to extract more complementary structural
information to enhance robustness of an obtained super-resolution model. In
this paper, we present a heterogeneous dynamic convolutional network in image
super-resolution (HDSRNet). To capture more information, HDSRNet is implemented
by a heterogeneous parallel network. The upper network can facilitate more
contexture information via stacked heterogeneous blocks to improve effects of
image super-resolution. Each heterogeneous block is composed of a combination
of a dilated, dynamic, common convolutional layers, ReLU and residual learning
operation. It can not only adaptively adjust parameters, according to different
inputs, but also prevent long-term dependency problem. The lower network
utilizes a symmetric architecture to enhance relations of different layers to
mine more structural information, which is complementary with a upper network
for image super-resolution. The relevant experimental results show that the
proposed HDSRNet is effective to deal with image resolving. The code of HDSRNet
can be obtained at https://github.com/hellloxiaotian/HDSRNet.
- Abstract(参考訳): 畳み込みニューラルネットワークは、ディープネットワークアーキテクチャと与えられた入力サンプルを通じて自動的に特徴を学習することができる。
しかし、得られたモデルの堅牢性は、様々な場面で困難を伴う可能性がある。
ネットワークアーキテクチャのより大きな違いは、得られた超解像モデルの堅牢性を高めるために、より相補的な構造情報を抽出することに有益である。
本稿では,画像超解像(HDSRNet)における異種動的畳み込みネットワークを提案する。
より多くの情報を取得するために、HDSRNetは異種並列ネットワークによって実装される。
上層ネットワークは、画像超解像の効果を改善するために、積み重ねた異種ブロックを介してよりコンテキスト情報を容易にすることができる。
各異種ブロックは、拡張された動的、共通の畳み込み層、reluおよび残差学習操作の組み合わせで構成される。
異なる入力によってパラメータを適応的に調整できるだけでなく、長期依存の問題も防止できる。
下位のネットワークは対称的なアーキテクチャを用いて異なるレイヤの関係を強化し、より構造的な情報をマイニングし、画像超解像のための上層ネットワークと補完する。
実験結果から,HDSRNetは画像解決に有効であることが示唆された。
HDSRNetのコードはhttps://github.com/hellloxiaotian/HDSRNetで入手できる。
関連論文リスト
- Image super-resolution via dynamic network [20.817574727873254]
画像超解像(DSRNet)のための動的ネットワークを提案する。
残余の増築ブロック、広範囲の増築ブロック、特徴の増築ブロック、建設ブロックを含む。
画像の超解像と複雑性の回復時間に関して,本手法はより競争力がある。
論文 参考訳(メタデータ) (2023-10-16T13:56:56Z) - 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) - RDRN: Recursively Defined Residual Network for Image Super-Resolution [58.64907136562178]
深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像において顕著な性能を得た。
本稿では,注目ブロックを効率的に活用する新しいネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-11-17T11:06:29Z) - A heterogeneous group CNN for image super-resolution [127.2132400582117]
畳み込みニューラルネットワーク(CNN)は、深いアーキテクチャを通して顕著な性能を得た。
異種グループSR CNN(HGSRCNN)を,異なるタイプの構造情報を利用して高品質な画像を得る。
論文 参考訳(メタデータ) (2022-09-26T04:14:59Z) - LR-Net: A Block-based Convolutional Neural Network for Low-Resolution
Image Classification [0.0]
ノイズや低解像度の画像から低レベル特徴と大域特徴の両方を学習するためのブロックで構成された,新しい画像分類アーキテクチャを開発した。
ブロックの設計は,性能向上とパラメータサイズ削減のために,Residual ConnectionとInceptionモジュールの影響を強く受けていた。
我々は、提示されたアーキテクチャが既存の最先端畳み込みニューラルネットワークよりも高速で正確であることを示す詳細なテストを実施した。
論文 参考訳(メタデータ) (2022-07-19T20:01:11Z) - 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) - Deep Networks for Image and Video Super-Resolution [30.75380029218373]
単一画像超解像(SISR)は、MDCB(Mixed-Dense connection block)と呼ばれる効率的な畳み込みユニットを用いて構築される。
ネットワークの2つのバージョンをトレーニングし、異なる損失構成を用いて相補的な画像品質を向上させる。
ネットワークは複数のフレームから情報を集約し,時間的整合性を維持するために学習する。
論文 参考訳(メタデータ) (2022-01-28T09:15:21Z) - Asymmetric CNN for image super-resolution [102.96131810686231]
深層畳み込みニューラルネットワーク(CNN)は、過去5年間で低レベルビジョンに広く適用されています。
画像超解像のための非対称ブロック(AB)、mem?ory拡張ブロック(MEB)、高周波数特徴強調ブロック(HFFEB)からなる非対称CNN(ACNet)を提案する。
我々のACNetは、ブラインドノイズの単一画像超解像(SISR)、ブラインドSISR、ブラインドSISRを効果的に処理できる。
論文 参考訳(メタデータ) (2021-03-25T07:10:46Z)
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。