Fugu-MT 論文翻訳(概要): NAFRSSR: a Lightweight Recursive Network for Efficient Stereo Image Super-Resolution

論文の概要: NAFRSSR: a Lightweight Recursive Network for Efficient Stereo Image Super-Resolution

arxiv url: http://arxiv.org/abs/2405.08423v1
Date: Tue, 14 May 2024 08:33:40 GMT
ステータス: 処理完了
システム内更新日: 2024-05-15 14:48:16.147332
Title: NAFRSSR: a Lightweight Recursive Network for Efficient Stereo Image Super-Resolution
Title（参考訳）: NAFRSSR:高効率ステレオ画像超解像のための軽量再帰ネットワーク
Authors: Yihong Chen, Zhen Fan, Shuai Dong, Zhiwei Chen, Wenjie Li, Minghui Qin, Min Zeng, Xubing Lu, Guofu Zhou, Xingsen Gao, Jun-Ming Liu,
Abstract要約: ステレオ・イメージ・スーパーレゾリューション(Stereo image Super- resolution, SR)とは、高解像度(HR)画像の2枚の低解像度(LR)画像からの再構成である。そこで本研究では,NAFRSSRと呼ばれる単純なステレオ画像SRモデルを提案する。我々のモデルは非線形アクティベーションフリーとグループ畳み込みベースブロック(NAFGCBlocks)と深度分離ステレオクロスアテンションモジュール(DSSCAMs)で構成されている。
参考スコア（独自算出の注目度）: 17.025789865392444
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Stereo image super-resolution (SR) refers to the reconstruction of a high-resolution (HR) image from a pair of low-resolution (LR) images as typically captured by a dual-camera device. To enhance the quality of SR images, most previous studies focused on increasing the number and size of feature maps and introducing complex and computationally intensive structures, resulting in models with high computational complexity. Here, we propose a simple yet efficient stereo image SR model called NAFRSSR, which is modified from the previous state-of-the-art model NAFSSR by introducing recursive connections and lightweighting the constituent modules. Our NAFRSSR model is composed of nonlinear activation free and group convolution-based blocks (NAFGCBlocks) and depth-separated stereo cross attention modules (DSSCAMs). The NAFGCBlock improves feature extraction and reduces number of parameters by removing the simple channel attention mechanism from NAFBlock and using group convolution. The DSSCAM enhances feature fusion and reduces number of parameters by replacing 1x1 pointwise convolution in SCAM with weight-shared 3x3 depthwise convolution. Besides, we propose to incorporate trainable edge detection operator into NAFRSSR to further improve the model performance. Four variants of NAFRSSR with different sizes, namely, NAFRSSR-Mobile (NAFRSSR-M), NAFRSSR-Tiny (NAFRSSR-T), NAFRSSR-Super (NAFRSSR-S) and NAFRSSR-Base (NAFRSSR-B) are designed, and they all exhibit fewer parameters, higher PSNR/SSIM, and faster speed than the previous state-of-the-art models. In particular, to the best of our knowledge, NAFRSSR-M is the lightest (0.28M parameters) and fastest (50 ms inference time) model achieving an average PSNR/SSIM as high as 24.657 dB/0.7622 on the benchmark datasets. Codes and models will be released at https://github.com/JNUChenYiHong/NAFRSSR.
Abstract（参考訳）: ステレオ・イメージ・スーパーレゾリューション(Stereo image Super- resolution, SR)とは、高解像度(HR)画像の2枚の低解像度(LR)画像からの再構成である。 SR画像の品質を高めるため、ほとんどの研究は特徴写像の数とサイズを増大させ、複雑で計算集約的な構造を導入し、計算の複雑さの高いモデルを生み出した。本稿では,従来の最先端モデルNAFSSRから,再帰的接続を導入し,構成モジュールを軽量化するNAFRSSRという,シンプルで効率的なステレオ画像SRモデルを提案する。 NAFRSSRモデルは,非線形アクティベーションフリーおよびグループ畳み込みベースブロック(NAFGCBlocks)と深度分離ステレオクロスアテンションモジュール(DSSCAMs)から構成される。 NAFGCBlockは、NAFBlockから単純なチャネルアテンション機構を取り除き、グループ畳み込みを使用することで、特徴抽出を改善し、パラメータ数を削減している。 DSSCAMは特徴融合を強化し、SCAMの1x1のポイントワイド・コンボリューションを重量共有3x3のディープワイド・コンボリューションに置き換えることでパラメータ数を削減している。さらに,トレーニング可能なエッジ検出演算子をNAFRSSRに組み込むことにより,モデル性能をさらに向上することを提案する。 NAFRSSR-Mobile(NAFRSSR-M)、NAFRSSR-Tiny(NAFRSSR-T)、NAFRSSR-Super(NAFRSSR-S)、NAFRSSR-Base(NAFRSSR-B)の4種類が設計されており、いずれもより少ないパラメータ、より高いPSNR/SSIM、より高速である。特に、我々の知る限り、NAFRSSR-Mはベンチマークデータセット上で平均PSNR/SSIMを24.657 dB/0.7622で達成する最も軽量(0.28Mパラメータ)かつ最速(50msの推論時間)モデルである。コードとモデルはhttps://github.com/JNUChenYiHong/NAFRSSR.comでリリースされる。

関連論文リスト

BurstM: Deep Burst Multi-scale SR using Fourier Space with Optical Flow [16.548851451690908]
マルチフレーム超解像(MFSR)は単一画像超解像(SISR)よりも高い性能を達成する最近のMFSRアプローチは、変形可能な畳み込みネットワーク(DCN)に適応してフレームを整列させる。光フローを用いたフーリエ空間を用いたディープバーストマルチスケールSR(BurstM)を提案する。
論文参考訳（メタデータ） (2024-09-21T15:30:57Z)
Frequency-Assisted Mamba for Remote Sensing Image Super-Resolution [49.902047563260496]
我々は、リモートセンシング画像(RSI)の超高解像度化のために、視覚状態空間モデル(Mamba)を統合するための最初の試みを開発した。より優れたSR再構築を実現するため,FMSRと呼ばれる周波数支援型Mambaフレームワークを考案した。我々のFMSRは、周波数選択モジュール(FSM)、ビジョン状態空間モジュール(VSSM)、ハイブリッドゲートモジュール(HGM)を備えた多層融合アーキテクチャを備えている。
論文参考訳（メタデータ） (2024-05-08T11:09:24Z)
DiSR-NeRF: Diffusion-Guided View-Consistent Super-Resolution NeRF [50.458896463542494]
DiSR-NeRFは、ビュー一貫性を持つ超解像(SR)NeRFのための拡散誘導フレームワークである。我々は,NeRFの固有多視点整合性により不整合問題を緩和するイテレーティブ3Dシンクロナイゼーション(I3DS)を提案する。
論文参考訳（メタデータ） (2024-04-01T03:06:23Z)
RBSR: Efficient and Flexible Recurrent Network for Burst Super-Resolution [57.98314517861539]
バースト超解像(BurstSR)は、高解像度(HR)画像を低解像度(LR)画像と雑音画像から再構成することを目的としている。本稿では,効率よくフレキシブルなリカレントネットワークでフレーム単位のキューを融合させることを提案する。
論文参考訳（メタデータ） (2023-06-30T12:14:13Z)
Incorporating Transformer Designs into Convolutions for Lightweight Image Super-Resolution [46.32359056424278]
大規模な畳み込みカーネルは畳み込みニューラルネットワークの設計に人気がある。カーネルのサイズが大きくなるとパラメータの数が2倍に増加し、計算量やメモリの要求も大きくなる。本稿では,自己注意機構を付加した標準畳み込みを改良した近傍注意モジュールを提案する。 NAモジュールをベースとして,TSRと呼ばれる軽量単一画像超解像(SISR)ネットワークを提案する。
論文参考訳（メタデータ） (2023-03-25T01:32:18Z)
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)
ShuffleMixer: An Efficient ConvNet for Image Super-Resolution [88.86376017828773]
本稿では、大きな畳み込みとチャネル分割シャッフル操作を探索する軽量画像超解像のためのShuffleMixerを提案する。具体的には,チャネル分割とシャッフルを基本成分とする2つのプロジェクション層を効率よく混合する。実験結果から,ShuffleMixerはモデルパラメータやFLOPの手法に比べて約6倍小さいことがわかった。
論文参考訳（メタデータ） (2022-05-30T15:26:52Z)
SRDiff: Single Image Super-Resolution with Diffusion Probabilistic Models [19.17571465274627]
単一の画像スーパーリゾリューション(SISR)は、与えられた低リゾリューション(LR)画像から高解像度(HR)画像を再構成することを目的とする。新規な単像超解像拡散確率モデル(SRDiff)を提案する。 SRDiffはデータ可能性の変動境界の変種に最適化されており、多様で現実的なSR予測を提供することができる。
論文参考訳（メタデータ） (2021-04-30T12:31:25Z)
Accurate and Lightweight Image Super-Resolution with Model-Guided Deep Unfolding Network [63.69237156340457]
我々は、モデル誘導深部展開ネットワーク(MoG-DUN)と呼ばれるSISRに対する説明可能なアプローチを提示し、提唱する。 MoG-DUNは正確(エイリアスを少なくする)、計算効率(モデルパラメータを減らした)、多用途(多重劣化を処理できる)である。 RCAN, SRDNF, SRFBNを含む既存の最先端画像手法に対するMoG-DUN手法の優位性は、いくつかの一般的なデータセットと様々な劣化シナリオに関する広範な実験によって実証されている。
論文参考訳（メタデータ） (2020-09-14T08:23:37Z)
Lightweight image super-resolution with enhanced CNN [82.36883027158308]
強い表現力を持つ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(SISR)において印象的な性能を達成した情報抽出・拡張ブロック(IEEB)、再構築ブロック(RB)、情報精製ブロック(IRB)の3つの連続したサブブロックを持つ軽量拡張SR CNN(LESRCNN)を提案する。 IEEBは階層的低分解能(LR)特徴を抽出し、SISRの深い層上の浅い層の記憶能力を高めるために、得られた特徴を段階的に集約する。 RBはグローバルに拡散することで低周波特徴を高周波特徴に変換する
論文参考訳（メタデータ） (2020-07-08T18:03:40Z)

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。