論文の概要: Deep learning-based blind image super-resolution with iterative kernel reconstruction and noise estimation

• arxiv url: http://arxiv.org/abs/2404.16564v1
• Date: Thu, 25 Apr 2024 12:27:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-26 13:40:12.249632
• Title: Deep learning-based blind image super-resolution with iterative kernel reconstruction and noise estimation
• Title（参考訳）: 繰り返しカーネル再構成と雑音推定による深層学習に基づくブラインド画像の高分解能化
• Authors: Hasan F. Ates, Suleyman Yildirim, Bahadir K. Gunturk,
• Abstract要約: 視覚障害者のためのIKR-Net(Iterative Kernel Reconstruction Network)を提案する。 IKR-Netは、特に動きのぼやけたノイズの多い画像に対して、ブラインドSISRの最先端の結果を達成する。
• 参考スコア（独自算出の注目度）: 3.2157163136267934
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Blind single image super-resolution (SISR) is a challenging task in image processing due to the ill-posed nature of the inverse problem. Complex degradations present in real life images make it difficult to solve this problem using na\"ive deep learning approaches, where models are often trained on synthetically generated image pairs. Most of the effort so far has been focused on solving the inverse problem under some constraints, such as for a limited space of blur kernels and/or assuming noise-free input images. Yet, there is a gap in the literature to provide a well-generalized deep learning-based solution that performs well on images with unknown and highly complex degradations. In this paper, we propose IKR-Net (Iterative Kernel Reconstruction Network) for blind SISR. In the proposed approach, kernel and noise estimation and high-resolution image reconstruction are carried out iteratively using dedicated deep models. The iterative refinement provides significant improvement in both the reconstructed image and the estimated blur kernel even for noisy inputs. IKR-Net provides a generalized solution that can handle any type of blur and level of noise in the input low-resolution image. IKR-Net achieves state-of-the-art results in blind SISR, especially for noisy images with motion blur.
• Abstract（参考訳）: ブラインド・シングル・イメージ・スーパーレゾリューション(SISR)は、逆問題の性質が悪いため、画像処理において難しい課題である。 実生活画像に存在する複雑な劣化は、モデルが合成された画像対でしばしば訓練される、na\\ive Deep Learningアプローチを用いてこの問題を解決するのを難しくする。 これまでの取り組みの多くは、ぼやけたカーネルの限られたスペースや、ノイズのない入力画像の仮定など、いくつかの制約の下で逆問題を解決することに集中してきた。 しかし、未知の、高度に複雑な劣化のある画像に対して、よく一般化されたディープラーニングベースのソリューションを提供するには、文献にギャップがある。 本稿では,視覚障害者のためのIKR-Net(Iterative Kernel Reconstruction Network)を提案する。 提案手法では,専用深部モデルを用いて,カーネルとノイズ推定,高分解能画像再構成を行う。 繰り返し改善は、ノイズの多い入力であっても、再構成画像と推定されたぼやけたカーネルの両方に大きな改善をもたらす。 IKR-Netは、入力された低解像度画像のあらゆる種類のぼかしとノイズレベルを処理できる一般化されたソリューションを提供する。 IKR-Netは、特に動きのぼやけたノイズの多い画像に対して、ブラインドSISRの最先端の結果を達成する。

関連論文リスト

• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• Kernel-aware Raw Burst Blind Super-Resolution [0.0]
  バースト超解像(SR)は、低画質の画像からリッチな詳細を復元する可能性を提供する。 既存の非盲点ネットワークは、高解像度(HR)画像の復元において、パフォーマンスが著しく低下する。 本稿では,カーネル対応の変形可能なアライメントモジュールを提案する。
  論文  参考訳（メタデータ） (2021-12-14T11:49:13Z)
• Unsupervised Single Image Super-resolution Under Complex Noise [60.566471567837574]
  本稿では,一般のSISRタスクを未知の劣化で扱うためのモデルベースunsupervised SISR法を提案する。 提案手法は, より小さなモデル (0.34M vs. 2.40M) だけでなく, より高速な技術 (SotA) 法 (約1dB PSNR) の現況を明らかに超えることができる。
  論文  参考訳（メタデータ） (2021-07-02T11:55:40Z)
• Kernel Adversarial Learning for Real-world Image Super-resolution [23.904933824966605]
  本稿では,Kernel Adversarial Learning Super- resolutionフレームワークを導入することで,現実のイメージSRのための低解像度画像をよりリアルに合成するプロセスを提案する。 提案フレームワークでは、劣化カーネルとノイズを明示的に指定するのではなく適応的にモデル化する。 また、モデルSR再構成精度をさらに高めるために、高周波選択的目的と反復的監視プロセスを提案する。
  論文  参考訳（メタデータ） (2021-04-19T01:51:21Z)
• Designing a Practical Degradation Model for Deep Blind Image Super-Resolution [134.9023380383406]
  単一画像スーパーレゾリューション (sisr) 法は, 推定劣化モデルが実画像から逸脱した場合はうまく動作しない。 本稿では, ランダムにシャッフルされたブラー, ダウンサンプリング, ノイズ劣化からなる, より複雑で実用的な劣化モデルを提案する。
  論文  参考訳（メタデータ） (2021-03-25T17:40:53Z)
• Blind Image Super-Resolution with Spatial Context Hallucination [5.849485167287474]
  本稿では, 劣化カーネルを知らずに, 視覚的超解像のための空間文脈幻覚ネットワーク(SCHN)を提案する。 DIV2KとFlickr2Kという2つの高品質データセットでモデルをトレーニングします。 入力画像がランダムなぼかしとノイズで劣化した場合, 最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-09-25T22:36:07Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)
• 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)
• Deep Blind Video Super-resolution [85.79696784460887]
  本稿では,ビデオSRを曖昧なカーネルモデリング手法により解くために,深層畳み込みニューラルネットワーク(CNN)モデルを提案する。 提案したCNNモデルは、動きのぼかし推定、動きの推定、遅延画像復元モジュールからなる。 提案アルゴリズムは, より微細な構造情報を用いて, より鮮明な画像を生成することができることを示す。
  論文  参考訳（メタデータ） (2020-03-10T13:43:24Z)
• Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
  ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。 本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
  論文  参考訳（メタデータ） (2019-08-29T15:54:06Z)

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。