論文の概要: Learning Correction Errors via Frequency-Self Attention for Blind Image
Super-Resolution
- arxiv url: http://arxiv.org/abs/2403.07390v1
- Date: Tue, 12 Mar 2024 07:58:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 22:34:33.979246
- Title: Learning Correction Errors via Frequency-Self Attention for Blind Image
Super-Resolution
- Title(参考訳): ブラインド画像超解像における周波数自己注意による学習補正誤差
- Authors: Haochen Sun, Yan Yuan, Lijuan Su and Haotian Shao
- Abstract要約: 我々は,LCE(Learning Correction Errors)に着目した新しいブラインドSR手法を提案する。
SRネットワーク内では、元のLR画像とCLR画像の周波数学習の両方を利用して、SR性能を協調的に最適化する。
提案手法は,劣化推定と補正誤差に関連する課題を効果的に解決し,より正確なブラインド画像SRへの道を開く。
- 参考スコア(独自算出の注目度): 1.734165485480267
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Previous approaches for blind image super-resolution (SR) have relied on
degradation estimation to restore high-resolution (HR) images from their
low-resolution (LR) counterparts. However, accurate degradation estimation
poses significant challenges. The SR model's incompatibility with degradation
estimation methods, particularly the Correction Filter, may significantly
impair performance as a result of correction errors. In this paper, we
introduce a novel blind SR approach that focuses on Learning Correction Errors
(LCE). Our method employs a lightweight Corrector to obtain a corrected
low-resolution (CLR) image. Subsequently, within an SR network, we jointly
optimize SR performance by utilizing both the original LR image and the
frequency learning of the CLR image. Additionally, we propose a new
Frequency-Self Attention block (FSAB) that enhances the global information
utilization ability of Transformer. This block integrates both self-attention
and frequency spatial attention mechanisms. Extensive ablation and comparison
experiments conducted across various settings demonstrate the superiority of
our method in terms of visual quality and accuracy. Our approach effectively
addresses the challenges associated with degradation estimation and correction
errors, paving the way for more accurate blind image SR.
- Abstract(参考訳): ブラインド画像超解像(SR)に対する従来のアプローチは、低分解能(LR)画像から高分解能(HR)画像を復元するために劣化推定に依存していた。
しかし,正確な劣化推定には大きな課題がある。
srモデルと劣化推定法、特に補正フィルタとの非互換性は、補正誤差の結果、性能を著しく損なう可能性がある。
本稿では,LCE(Learning Correction Errors)に着目した新しいブラインドSR手法を提案する。
本手法では,軽量な補正器を用いて補正された低解像度 (clr) 画像を得る。
その後、SRネットワーク内で、元のLR画像とCLR画像の周波数学習の両方を利用して、SR性能を協調的に最適化する。
さらに,Transformerのグローバルな情報活用能力を高めるために,FSAB(Fluquency-Self Attention Block)を提案する。
このブロックは自己アテンションと周波数空間注意機構の両方を統合する。
視覚的品質と精度の面では, 様々な場面で大規模なアブレーションと比較実験を行った。
本手法は,劣化推定と補正誤差に関連する課題を効果的に解決し,より正確なブラインド画像SRを実現する。
関連論文リスト
- Efficient Test-Time Adaptation for Super-Resolution with Second-Order
Degradation and Reconstruction [62.955327005837475]
画像超解像(SR)は,低分解能(LR)から高分解能(HR)へのマッピングを,一対のHR-LRトレーニング画像を用いて学習することを目的としている。
SRTTAと呼ばれるSRの効率的なテスト時間適応フレームワークを提案し、SRモデルを異なる/未知の劣化型でテストドメインに迅速に適応させることができる。
論文 参考訳(メタデータ) (2023-10-29T13:58:57Z) - Learning from Multi-Perception Features for Real-Word Image
Super-resolution [87.71135803794519]
入力画像の複数の知覚的特徴を利用する新しいSR手法MPF-Netを提案する。
本稿では,MPFEモジュールを組み込んで,多様な知覚情報を抽出する手法を提案する。
また、モデルの学習能力を向上する対照的な正規化項(CR)も導入する。
論文 参考訳(メタデータ) (2023-05-26T07:35:49Z) - DCS-RISR: Dynamic Channel Splitting for Efficient Real-world Image
Super-Resolution [15.694407977871341]
実世界の画像超解像(RISR)は、未知の複雑な劣化下でのSR画像の品質向上に重点を置いている。
既存の手法は、分解レベルが異なる低解像度(LR)画像を強化するために重いSRモデルに依存している。
本稿では,DCS-RISRと呼ばれる高効率リアルタイム画像超解法のための動的チャネル分割方式を提案する。
論文 参考訳(メタデータ) (2022-12-15T04:34:57Z) - 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) - Toward Real-world Image Super-resolution via Hardware-based Adaptive
Degradation Models [3.9037347042028254]
ほとんどの単一画像超解像法は、合成低分解能(LR)と高分解能(HR)画像対上で開発されている。
ハードウェアの知識を取り入れた未知の劣化過程をシミュレートする新しい教師付き手法を提案する。
実世界のデータセットを用いた実験により,我々の劣化モデルが所定の劣化操作よりも精度良くLR画像を推定できることが確認された。
論文 参考訳(メタデータ) (2021-10-20T19:53:48Z) - 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) - Perception Consistency Ultrasound Image Super-resolution via
Self-supervised CycleGAN [63.49373689654419]
自己スーパービジョンとサイクル生成対向ネットワーク(CycleGAN)に基づく新しい知覚整合超音波画像超解像法を提案する。
まず,検査用超音波LR画像のHR父子とLR子を画像強調により生成する。
次に、LR-SR-LRとHR-LR-SRのサイクル損失と判別器の対角特性をフル活用して、より知覚的に一貫性のあるSR結果を生成する。
論文 参考訳(メタデータ) (2020-12-28T08:24:04Z) - 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) - 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。