論文の概要: Federated Learning for Blind Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2404.17670v1
• Date: Fri, 26 Apr 2024 19:27:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-30 19:50:27.895952
• Title: Federated Learning for Blind Image Super-Resolution
• Title（参考訳）: Blind Image Super-Resolutionのためのフェデレートラーニング
• Authors: Brian B. Moser, Ahmed Anwar, Federico Raue, Stanislav Frolov, Andreas Dengel,
• Abstract要約: 従来のブラインド画像SR法では、実世界の劣化を正確にモデル化する必要がある。 我々は,イメージSRとフェデレーション学習を融合させ,現実世界の劣化をユーザから直接学習できるようにすることを提案する。 このフェデレーション設定において、新しいSR手法を評価するために特別に設計された新しいベンチマークを導入する。
• 参考スコア（独自算出の注目度）: 9.864168347373338
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional blind image SR methods need to model real-world degradations precisely. Consequently, current research struggles with this dilemma by assuming idealized degradations, which leads to limited applicability to actual user data. Moreover, the ideal scenario - training models on data from the targeted user base - presents significant privacy concerns. To address both challenges, we propose to fuse image SR with federated learning, allowing real-world degradations to be directly learned from users without invading their privacy. Furthermore, it enables optimization across many devices without data centralization. As this fusion is underexplored, we introduce new benchmarks specifically designed to evaluate new SR methods in this federated setting. By doing so, we employ known degradation modeling techniques from SR research. However, rather than aiming to mirror real degradations, our benchmarks use these degradation models to simulate the variety of degradations found across clients within a distributed user base. This distinction is crucial as it circumvents the need to precisely model real-world degradations, which limits contemporary blind image SR research. Our proposed benchmarks investigate blind image SR under new aspects, namely differently distributed degradation types among users and varying user numbers. We believe new methods tested within these benchmarks will perform more similarly in an application, as the simulated scenario addresses the variety while federated learning enables the training on actual degradations.
• Abstract（参考訳）: 従来のブラインド画像SR法では、実世界の劣化を正確にモデル化する必要がある。 その結果、現在の研究は理想的な劣化を仮定することでこのジレンマに苦慮し、実際のユーザデータに限定的な適用性をもたらす。 さらに、理想的なシナリオ — ターゲットとするユーザベースからのデータに関するトレーニングモデル — は、重要なプライバシー上の懸念を提起する。 両課題に対処するために,我々は,イメージSRとフェデレーション学習を融合させることを提案し,ユーザのプライバシーを侵害することなく,現実世界の劣化を直接学習できるようにした。 さらに、データ集中化なしで多くのデバイスにまたがる最適化を可能にする。 この融合の探索が過小評価されているため、このフェデレート環境での新しいSR手法を評価するために特別に設計された新しいベンチマークを導入する。 これにより、SR研究から既知の劣化モデリング技術を採用する。 しかしながら、実際の劣化を反映することではなく、我々のベンチマークでは、分散ユーザベース内のクライアント間で見られるさまざまな劣化をシミュレートするために、これらの劣化モデルを使用します。 この区別は、現代のブラインド画像SR研究を制限する現実世界の劣化を正確にモデル化する必要性を回避するために重要である。 提案するベンチマークでは,ユーザ間で異なる分散劣化型と異なるユーザ数という新たな側面の下で,ブラインド画像SRについて検討した。 これらのベンチマークでテストされた新しいメソッドは、シミュレーションシナリオが様々な問題に対処するのに対し、フェデレートされた学習は実際の劣化のトレーニングを可能にするので、アプリケーションでよりよく機能すると考えています。

関連論文リスト

• Pairwise Distance Distillation for Unsupervised Real-World Image Super-Resolution [38.79439380482431]
  実世界の超解像(RWSR)は低分解能入力における未知の劣化に直面している。 既存の手法では、学習インプットの複雑な合成拡張を通じて視覚一般モデルを学習することでこの問題にアプローチする。 実世界の劣化に対する教師なしRWSRに対処するための,新しい相互距離蒸留フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-10T01:46:40Z)
• Towards Realistic Data Generation for Real-World Super-Resolution [79.24617577528593]
  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)
• 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)
• ICF-SRSR: Invertible scale-Conditional Function for Self-Supervised Real-world Single Image Super-Resolution [60.90817228730133]
  単一画像超解像(SISR)は、与えられた低解像度(LR)画像を高解像度(HR)にアップサンプリングすることを目的とした課題である。 近年のアプローチは、単純化されたダウンサンプリング演算子によって劣化したシミュレーションLR画像に基づいて訓練されている。 Invertible Scale-Conditional Function (ICF) を提案する。これは入力画像をスケールし、異なるスケール条件で元の入力を復元する。
  論文  参考訳（メタデータ） (2023-07-24T12:42:45Z)
• 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)
• 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)
• Single Image Internal Distribution Measurement Using Non-Local Variational Autoencoder [11.985083962982909]
  本稿では,非局所変分オートエンコーダ(textttNLVAE)という画像固有解を提案する。 textttNLVAEは,非局所領域からの非絡み合った情報を用いて高解像度画像を再構成する自己教師型戦略として導入された。 7つのベンチマークデータセットによる実験結果から,textttNLVAEモデルの有効性が示された。
  論文  参考訳（メタデータ） (2022-04-02T18:43:55Z)
• 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)
• 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)

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。