論文の概要: Real-GDSR: Real-World Guided DSM Super-Resolution via Edge-Enhancing Residual Network

• arxiv url: http://arxiv.org/abs/2404.03930v1
• Date: Fri, 5 Apr 2024 07:24:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-08 16:44:14.965764
• Title: Real-GDSR: Real-World Guided DSM Super-Resolution via Edge-Enhancing Residual Network
• Title（参考訳）: Real-GDSR: Edge-Enhancing Residual NetworkによるDSMスーパーリゾリューション
• Authors: Daniel Panangian, Ksenia Bittner,
• Abstract要約: 低解像度デジタルサーフェスモデル(DSM)は、ノイズ、センサーの制限、データ取得条件の影響を受けやすい特性を特徴とする。 このため、合成データで訓練された超解像モデルは、実データでは効果的に機能しない。 本稿では,REAL-GDSRと呼ばれる実世界のDSM超解像の複雑さに対処する新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 2.3020018305241337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A low-resolution digital surface model (DSM) features distinctive attributes impacted by noise, sensor limitations and data acquisition conditions, which failed to be replicated using simple interpolation methods like bicubic. This causes super-resolution models trained on synthetic data does not perform effectively on real ones. Training a model on real low and high resolution DSMs pairs is also a challenge because of the lack of information. On the other hand, the existence of other imaging modalities of the same scene can be used to enrich the information needed for large-scale super-resolution. In this work, we introduce a novel methodology to address the intricacies of real-world DSM super-resolution, named REAL-GDSR, breaking down this ill-posed problem into two steps. The first step involves the utilization of a residual local refinement network. This strategic approach departs from conventional methods that trained to directly predict height values instead of the differences (residuals) and utilize large receptive fields in their networks. The second step introduces a diffusion-based technique that enhances the results on a global scale, with a primary focus on smoothing and edge preservation. Our experiments underscore the effectiveness of the proposed method. We conduct a comprehensive evaluation, comparing it to recent state-of-the-art techniques in the domain of real-world DSM super-resolution (SR). Our approach consistently outperforms these existing methods, as evidenced through qualitative and quantitative assessments.
• Abstract（参考訳）: 低解像度デジタルサーフェスモデル (DSM) はノイズやセンサの制限、データ取得条件の影響を受けやすい特性を特徴としているが、バイコビックのような単純な補間法では再現できなかった。 このため、合成データで訓練された超解像モデルは、実データでは効果的に機能しない。 実際の低解像度DSMと高解像度のDSMのペアでモデルをトレーニングすることも、情報の不足のため課題である。 一方、同じシーンの他の画像モダリティの存在は、大規模超解像に必要な情報を強化するのに有効である。 本稿では,REAL-GDSRという,現実世界のDSM超解像の複雑さに対処する新しい手法を提案する。 最初のステップは、残留する局所的な精錬ネットワークの利用である。 この戦略的なアプローチは、差(残差)ではなく、高さの値を直接予測し、ネットワーク内の大きな受容場を利用するように訓練された従来の手法とはかけ離れている。 第2のステップは拡散に基づく手法を導入し、世界規模で結果を向上し、スムージングとエッジ保存に重点を置いている。 提案手法の有効性を実証した。 実世界のDSM超解像(SR)の領域における最近の最先端技術と比較し、包括的評価を行う。 我々のアプローチは、定性的、定量的な評価によって証明されたように、これらの既存の手法を一貫して上回ります。

関連論文リスト

• TDDSR: Single-Step Diffusion with Two Discriminators for Super Resolution [28.174638880324014]
  本稿では,効率的な単一ステップ拡散に基づく超解像法であるTDDSRを提案する。 本手法は,教師の事前学習モデルから抽出し,拡散ネットワークに基づいて,単一ステップで超解像を行う。 実世界および顔固有のSRタスク間で有効性を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2024-10-10T07:12:46Z)
• Degradation-Guided One-Step Image Super-Resolution with Diffusion Priors [75.24313405671433]
  拡散に基づく画像超解像法 (SR) は、事前訓練された大規模なテキスト・画像拡散モデルを先行として活用することにより、顕著な成功を収めた。 本稿では,拡散型SR手法の効率問題に対処する新しい一段階SRモデルを提案する。 既存の微調整戦略とは異なり、SR専用の劣化誘導低ランク適応 (LoRA) モジュールを設計した。
  論文  参考訳（メタデータ） (2024-09-25T16:15:21Z)
• Towards Realistic Data Generation for Real-World Super-Resolution [58.88039242455039]
  RealDGenは、現実世界の超解像のために設計された教師なし学習データ生成フレームワークである。 我々は,コンテンツ分解脱結合拡散モデルに統合されたコンテンツと劣化抽出戦略を開発する。 実験により、RealDGenは、現実世界の劣化を反映する大規模で高品質なペアデータを生成するのに優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-11T13:34:57Z)
• Teacher-Student Network for Real-World Face Super-Resolution with Progressive Embedding of Edge Information [2.280954956645056]
  実データと合成データの領域ギャップを考慮した,実世界の顔超解像教師学生モデルを提案する。 提案手法は,実世界のFSRにおいて,高品質な顔画像を得るための最先端手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-05-08T02:48:52Z)
• Digital Twin-Enhanced Deep Reinforcement Learning for Resource Management in Networks Slicing [46.65030115953947]
  本稿では,デジタルツインと強化学習エージェントからなるフレームワークを提案する。 具体的には、歴史的データとニューラルネットワークを用いて、実環境の状態変動則をシミュレートするデジタルツインモデルを構築することを提案する。 また、このフレームワークをオフラインで強化学習に拡張し、歴史的データのみに基づいたインテリジェントな意思決定にソリューションを利用できるようにします。
  論文  参考訳（メタデータ） (2023-11-28T15:25:14Z)
• 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)
• Generalized Real-World Super-Resolution through Adversarial Robustness [107.02188934602802]
  本稿では,実世界のSRに取り組むために,敵攻撃の一般化能力を活用したロバスト超解法を提案する。 我々の新しいフレームワークは、現実世界のSR手法の開発においてパラダイムシフトをもたらす。 単一のロバストモデルを使用することで、実世界のベンチマークで最先端の特殊な手法より優れています。
  論文  参考訳（メタデータ） (2021-08-25T22:43:20Z)
• Towards Accurate Knowledge Transfer via Target-awareness Representation Disentanglement [56.40587594647692]
  本稿では,TRED(Target-Awareness Representation Disentanglement)の概念を取り入れた新しいトランスファー学習アルゴリズムを提案する。 TREDは、対象のタスクに関する関連する知識を元のソースモデルから切り離し、ターゲットモデルを微調整する際、レギュレータとして使用する。 各種実世界のデータセットを用いた実験により,本手法は標準微調整を平均2%以上安定的に改善することが示された。
  論文  参考訳（メタデータ） (2020-10-16T17:45:08Z)
• An Online Method for A Class of Distributionally Robust Optimization with Non-Convex Objectives [54.29001037565384]
  本稿では,オンライン分散ロバスト最適化(DRO)のクラスを解決するための実用的なオンライン手法を提案する。 本研究は,ネットワークの堅牢性向上のための機械学習における重要な応用を実証する。
  論文  参考訳（メタデータ） (2020-06-17T20:19:25Z)

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。