論文の概要: LoLiSRFlow: Joint Single Image Low-light Enhancement and
Super-resolution via Cross-scale Transformer-based Conditional Flow
- arxiv url: http://arxiv.org/abs/2402.18871v1
- Date: Thu, 29 Feb 2024 05:40:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-01 16:05:04.109767
- Title: LoLiSRFlow: Joint Single Image Low-light Enhancement and
Super-resolution via Cross-scale Transformer-based Conditional Flow
- Title（参考訳）: LoLiSRFlow: クロススケール変圧器を用いた条件流による単一画像低照度化と超高分解能化
- Authors: Ziyu Yue, Jiaxin Gao, Sihan Xie, Yang Liu, Zhixun Su
- Abstract要約: ローライト強化(LLE)とスーパーレゾリューション(SR)に固有の劣化機構を検討するため,LoLiSRFLowと呼ばれる正規化フローネットワークを提案する。
LoLiSRFLowは、高解像度で露呈された画像に対する様々な実現可能な解に対する条件付き確率分布を学習する。
また,7100個の低分解能暗黒/高分解能のシャープペアを含むDFSR-LLEという,現実的な低分解能劣化をモデル化した合成データセットを提案する。
- 参考スコア（独自算出の注目度）: 8.929704596997913
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The visibility of real-world images is often limited by both low-light and
low-resolution, however, these issues are only addressed in the literature
through Low-Light Enhancement (LLE) and Super- Resolution (SR) methods.
Admittedly, a simple cascade of these approaches cannot work harmoniously to
cope well with the highly ill-posed problem for simultaneously enhancing
visibility and resolution. In this paper, we propose a normalizing flow
network, dubbed LoLiSRFLow, specifically designed to consider the degradation
mechanism inherent in joint LLE and SR. To break the bonds of the one-to-many
mapping for low-light low-resolution images to normal-light high-resolution
images, LoLiSRFLow directly learns the conditional probability distribution
over a variety of feasible solutions for high-resolution well-exposed images.
Specifically, a multi-resolution parallel transformer acts as a conditional
encoder that extracts the Retinex-induced resolution-and-illumination invariant
map as the previous one. And the invertible network maps the distribution of
usually exposed high-resolution images to a latent distribution. The backward
inference is equivalent to introducing an additional constrained loss for the
normal training route, thus enabling the manifold of the natural exposure of
the high-resolution image to be immaculately depicted. We also propose a
synthetic dataset modeling the realistic low-light low-resolution degradation,
named DFSR-LLE, containing 7100 low-resolution dark-light/high-resolution
normal sharp pairs. Quantitative and qualitative experimental results
demonstrate the effectiveness of our method on both the proposed synthetic and
real datasets.
- Abstract（参考訳）: 実世界の画像の可視性は低光度と低解像度の両方で制限されることが多いが、これらの問題は低光度強調 (lle) と超解像度 (sr) 法によってのみ文献で取り扱われる。
もちろん、これらのアプローチの単純なカスケードは、可視性と解決性を同時に高めるために、非常に不適切な問題にうまく対処できない。
本稿では,LLEとSRに固有の劣化機構を特に考慮した,LoLiSRFLowと呼ばれる正規化フローネットワークを提案する。
低照度高解像度画像に対する1対1の低解像度画像の結合を破るために、LoLiSRFLowは高解像度高解像度画像に対する様々な実現可能な解に対する条件付き確率分布を直接学習する。
具体的には、マルチレゾリューション並列変換器が条件エンコーダとして機能し、レチネックス誘起分解・照明不変写像を前者として抽出する。
可逆ネットワークは、通常露光される高解像度画像の分布を潜在分布にマッピングする。
後方推定は、通常の訓練経路に付加的な制約付き損失を導入することと同値であり、高分解能画像の自然な露出の多様体を無限に描写することができる。
また、7100個の低解像度の暗光/高分解能の平凡なペアを含むdfsr-lleという,現実的な低光度低解像度劣化をモデル化する合成データセットを提案する。
定量的および定性的な実験結果は,提案した合成データセットと実データの両方において,本手法の有効性を示す。
関連論文リスト
- LFSRDiff: Light Field Image Super-Resolution via Diffusion Models [18.20217829625834]
光電場(LF)画像超解像(SR)は、固有の不適切な性質のため難しい問題である。
主流のLF画像SR法は、一般的に決定論的アプローチを採用し、ピクセル単位の損失関数によって制御される1つの出力しか生成しない。
本稿では,最初の拡散型LF画像SRモデルであるLPSRDiffを紹介する。
論文 参考訳（メタデータ） (2023-11-27T07:31:12Z) - ACDMSR: Accelerated Conditional Diffusion Models for Single Image
Super-Resolution [84.73658185158222]
本稿では,ACDMSRと呼ばれる拡散モデルに基づく超解像法を提案する。
提案手法は, 決定論的反復分解過程を通じて超解像を行うために, 標準拡散モデルに適応する。
提案手法は,低解像度画像に対してより視覚的に現実的な表現を生成し,現実的なシナリオにおけるその有効性を強調した。
論文 参考訳（メタデータ） (2023-07-03T06:49:04Z) - Real Image Super-Resolution using GAN through modeling of LR and HR
process [20.537597542144916]
LRモデルとSRモデルに組み込んだ学習可能な適応正弦波非線形性を提案し,分解分布を直接学習する。
定量的および定性的な実験において提案手法の有効性を実証する。
論文 参考訳（メタデータ） (2022-10-19T09:23:37Z) - Blind Super-Resolution for Remote Sensing Images via Conditional
Stochastic Normalizing Flows [14.882417028542855]
本稿では、上記の問題に対処するために、正規化フロー(BlindSRSNF)に基づく新しいブラインドSRフレームワークを提案する。
BlindSRSNFは、低解像度(LR)画像が与えられた高解像度画像空間上の条件確率分布を、確率の変動境界を明示的に最適化することによって学習する。
提案アルゴリズムは,シミュレーションLRと実世界RSIの両方において,視覚的品質の優れたSR結果が得られることを示す。
論文 参考訳（メタデータ） (2022-10-14T12:37:32Z) - Hierarchical Conditional Flow: A Unified Framework for Image
Super-Resolution and Image Rescaling [139.25215100378284]
画像SRと画像再スケーリングのための統合フレームワークとして階層的条件フロー(HCFlow)を提案する。
HCFlowは、LR画像と残りの高周波成分の分布を同時にモデル化することにより、HRとLR画像ペア間のマッピングを学習する。
さらに性能を高めるために、知覚的損失やGAN損失などの他の損失と、トレーニングで一般的に使用される負の対数類似損失とを組み合わせる。
論文 参考訳（メタデータ） (2021-08-11T16:11:01Z) - Frequency Consistent Adaptation for Real World Super Resolution [64.91914552787668]
実シーンにスーパーリゾリューション(SR)法を適用する際に周波数領域の整合性を保証する新しい周波数一貫性適応(FCA)を提案する。
監視されていない画像から劣化カーネルを推定し、対応するLow-Resolution (LR)画像を生成する。
ドメイン一貫性のあるLR-HRペアに基づいて、容易に実装可能な畳み込みニューラルネットワーク(CNN)SRモデルを訓練する。
論文 参考訳（メタデータ） (2020-12-18T08:25:39Z) - SRFlow: Learning the Super-Resolution Space with Normalizing Flow [176.07982398988747]
超解像度は、与えられた低解像度画像の複数の予測を可能にするため、不適切な問題である。
出力の条件分布を学習できる正規化フローベース超解法SRFlowを提案する。
我々のモデルは、単一損失、すなわち負のログ類似度を用いて、原則的に訓練されている。
論文 参考訳（メタデータ） (2020-06-25T06:34:04Z) - Mapping Low-Resolution Images To Multiple High-Resolution Images Using
Non-Adversarial Mapping [6.302374268077337]
まず第一に、SISRの問題は、低解像度画像と全候補高解像度画像との1対1のマッピング問題である、と我々は主張する。
本稿では,高解像度画像から高解像度画像への変換方法を学ぶモデルを提案する。
論文 参考訳（メタデータ） (2020-06-21T04:14:24Z) - 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) - 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) - PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of
Generative Models [77.32079593577821]
PULSE (Photo Upsampling via Latent Space Exploration) は、それまで文献になかった解像度で高解像度でリアルな画像を生成する。
本手法は, 従来よりも高分解能, スケールファクターの知覚品質において, 最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2020-03-08T16:44:31Z)
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。