論文の概要: GAMA-IR: Global Additive Multidimensional Averaging for Fast Image Restoration

• arxiv url: http://arxiv.org/abs/2404.00807v1
• Date: Sun, 31 Mar 2024 21:43:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 01:41:21.585078
• Title: GAMA-IR: Global Additive Multidimensional Averaging for Fast Image Restoration
• Title（参考訳）: GAMA-IR:高速画像復元のためのグローバル付加多次元平均化
• Authors: Youssef Mansour, Reinhard Heckel,
• Abstract要約: 高速かつ優れた画質が得られる画像復元ネットワークを導入する。 このネットワークは、標準GPU上で実行されるレイテンシとメモリ消費を最小限に抑えるように設計されている。 我々は、現実のSIDDにおける最先端の結果を0.11dBで上回り、より2倍から10倍速くする。
• 参考スコア（独自算出の注目度）: 22.53813258871828
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning-based methods have shown remarkable success for various image restoration tasks such as denoising and deblurring. The current state-of-the-art networks are relatively deep and utilize (variants of) self attention mechanisms. Those networks are significantly slower than shallow convolutional networks, which however perform worse. In this paper, we introduce an image restoration network that is both fast and yields excellent image quality. The network is designed to minimize the latency and memory consumption when executed on a standard GPU, while maintaining state-of-the-art performance. The network is a simple shallow network with an efficient block that implements global additive multidimensional averaging operations. This block can capture global information and enable a large receptive field even when used in shallow networks with minimal computational overhead. Through extensive experiments and evaluations on diverse tasks, we demonstrate that our network achieves comparable or even superior results to existing state-of-the-art image restoration networks with less latency. For instance, we exceed the state-of-the-art result on real-world SIDD denoising by 0.11dB, while being 2 to 10 times faster.
• Abstract（参考訳）: 深層学習に基づく手法は、デノイングやデブロワーリングといった様々な画像復元タスクにおいて顕著な成功を収めている。 現在の最先端ネットワークは比較的深く、自己注意機構を利用する(様々な)ものである。 これらのネットワークは浅い畳み込みネットワークよりも著しく遅いが、性能は悪い。 本稿では,高速かつ画質の良い画像復元ネットワークを提案する。 このネットワークは、最先端のパフォーマンスを維持しながら、標準的なGPU上で実行する際のレイテンシとメモリ消費を最小限に抑えるように設計されている。 このネットワークは、グローバルな加算多次元平均演算を実装する効率的なブロックを持つ単純な浅層ネットワークである。 このブロックは、計算オーバーヘッドが最小限である浅層ネットワークでも、グローバルな情報をキャプチャし、大きな受信フィールドを可能にする。 多様なタスクに関する広範な実験と評価を通じて、我々のネットワークは、よりレイテンシの低い既存の最先端画像復元ネットワークに匹敵する、あるいはさらに優れた結果が得られることを示した。 例えば、現実世界のSIDDを0.11dB、より2倍から10倍高速にすることで、最先端の結果を上回る。

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)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• 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)
• Deep Idempotent Network for Efficient Single Image Blind Deblurring [45.52473840749836]
  単一画像ブラインド劣化は、潜伏したシャープ画像もぼやけたカーネルも分かっていないため、極めて不良である。 本研究では, ブラインド非一様変色性能を向上し, 安定した再変色性能を実現するために, 深部等角ネットワークを提案する。 提案するネットワークは6.5倍近く小さく、6.4倍高速であり、高い性能を実現している。
  論文  参考訳（メタデータ） (2022-10-13T16:01:21Z)
• Rethinking Performance Gains in Image Dehazing Networks [25.371802581339576]
  我々は、コンパクトなデハージングネットワークを得るために、人気のあるU-Netに最小限の変更を加えている。 具体的には、U-Netの畳み込みブロックをゲーティング機構で残余ブロックに置き換える。 オーバーヘッドが大幅に削減されているため、gUNetは複数のイメージデハージングデータセットの最先端メソッドよりも優れている。
  論文  参考訳（メタデータ） (2022-09-23T07:14:48Z)
• Image Superresolution using Scale-Recurrent Dense Network [30.75380029218373]
  畳み込みニューラルネットワーク(CNN)の設計の最近の進歩は、画像超解像(SR)の性能を大幅に向上させた。 残差ブロック内の一連の密接な接続を含む単位上に構築されたスケールリカレントSRアーキテクチャを提案する(Residual Dense Blocks (RDBs))。 我々のスケールリカレント設計は、現在の最先端のアプローチに比べてパラメトリックに効率的でありながら、より高いスケール要因の競合性能を提供する。
  論文  参考訳（メタデータ） (2022-01-28T09:18:43Z)
• Attention based Broadly Self-guided Network for Low light Image Enhancement [0.0]
  本稿では,Attention based Broadly Self-Guided Network (ABSGN) を用いて,リアルタイム低照度画像強調手法を提案する。 提案するネットワークは,多くの主流ベンチマークによって検証されている。 新たな実験結果から,提案したネットワークは,最先端の低照度画像強調ソリューションよりも優れていた。
  論文  参考訳（メタデータ） (2021-12-12T13:11:29Z)
• Searching for Controllable Image Restoration Networks [57.23583915884236]
  既存の方法は各出力毎にネットワーク全体を通して別々の推論を必要とする。 本稿では,複数の画像効果を効率的に生成できるニューラルアーキテクチャ探索手法に基づく新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2020-12-21T10:08:18Z)
• LCA-Net: Light Convolutional Autoencoder for Image Dehazing [1.433758865948252]
  画像のデハジングは、画像の視覚的魅力を改善するために、ヘイズによって生じる不整合ノイズを取り除くために重要な画像前処理タスクである。 提案する汎用モデルは,大気モデルに依存しない非常に軽量な畳み込みエンコーダ・デコーダネットワークを用いている。 このネットワークは、画像品質の面で最先端の手法に匹敵する、いくつかの標準データセットにおいて、より高速に最適なデハージング性能を達成する。
  論文  参考訳（メタデータ） (2020-08-24T11:20:52Z)
• Neural Sparse Representation for Image Restoration [116.72107034624344]
  スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。 本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。 実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
  論文  参考訳（メタデータ） (2020-06-08T05:15:17Z)

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。