論文の概要: Can No-Reference Quality-Assessment Methods Serve as Perceptual Losses for Super-Resolution?

• arxiv url: http://arxiv.org/abs/2405.20392v1
• Date: Thu, 30 May 2024 18:04:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-03 18:34:31.587899
• Title: Can No-Reference Quality-Assessment Methods Serve as Perceptual Losses for Super-Resolution?
• Title（参考訳）: 超解像の知覚的損失として非参照品質評価法は有効か?
• Authors: Egor Kashkarov, Egor Chistov, Ivan Molodetskikh, Dmitriy Vatolin,
• Abstract要約: 知覚的損失は、ディープ・ニューラル・ネットワーク・ベースの手法を構築する上で重要な役割を果たす。 本稿では,非参照画像品質評価法を知覚的損失として用いたビデオ超解像モデルの直接最適化について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Perceptual losses play an important role in constructing deep-neural-network-based methods by increasing the naturalness and realism of processed images and videos. Use of perceptual losses is often limited to LPIPS, a fullreference method. Even though deep no-reference image-qualityassessment methods are excellent at predicting human judgment, little research has examined their incorporation in loss functions. This paper investigates direct optimization of several video-superresolution models using no-reference image-quality-assessment methods as perceptual losses. Our experimental results show that straightforward optimization of these methods produce artifacts, but a special training procedure can mitigate them.
• Abstract（参考訳）: 知覚的損失は、処理された画像やビデオの自然性や現実性を高めることによって、ディープ・ニューラル・ネットワークベースの手法を構築する上で重要な役割を果たす。 知覚的損失の使用は、フル参照方式であるLPIPSに制限されることが多い。 深い非参照画像品質評価法は人間の判断を予測するのに優れているが、損失関数の組み入れについてはほとんど研究されていない。 本稿では,非参照画像品質評価法を知覚的損失として用いたビデオ超解像モデルの直接最適化について検討する。 実験結果から,これらの手法の簡易な最適化はアーティファクトを創出するが,特別な訓練手法により軽減できることが示された。

関連論文リスト

• 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)
• Perceptual-Distortion Balanced Image Super-Resolution is a Multi-Objective Optimization Problem [23.833099288826045]
  画素ベースの回帰損失を用いた単一画像超解法(SISR)モデルのトレーニングは、高い歪みメトリクススコアを得ることができる。 しかし、高周波の詳細の回復が不十分なため、しばしばぼやけた画像が生じる。 本稿では,Multi-Objective Optimization(MOO)をSISRモデルのトレーニングプロセスに組み込んで,知覚品質と歪みのバランスをとる手法を提案する。
  論文  参考訳（メタデータ） (2024-09-05T02:14:04Z)
• Gradient constrained sharpness-aware prompt learning for vision-language models [99.74832984957025]
  本稿では,視覚言語モデル(VLM)の一般化可能な即時学習における新たなトレードオフ問題を提案する。 最先端手法のロスランドスケープとSAMに基づくバニラシャープネス認識最小化法を解析することにより、トレードオフ性能は損失値と損失シャープネスの両方に相関していると結論付けた。 本稿では,GCSCoOp (Gradient Constrained Sharpness-Aware Context Optimization) と表記される,素早い学習のためのSAMベースの新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-09-14T17:13:54Z)
• 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)
• Deblurring via Stochastic Refinement [85.42730934561101]
  条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。 提案手法は,PSNRなどの歪み指標の点で競合する。
  論文  参考訳（メタデータ） (2021-12-05T04:36:09Z)
• Optimal Transport for Unsupervised Restoration Learning [10.955712482319457]
  本研究は,最適輸送理論に基づく教師なし復元学習の基準を提案する。 リアルな写真、顕微鏡、深度、生の深度画像を含む合成および実世界のデータに関する実験は、提案手法が教師付き手法と良好に比較できることを示した。
  論文  参考訳（メタデータ） (2021-08-04T00:54:13Z)
• Feature-metric Loss for Self-supervised Learning of Depth and Egomotion [13.995413542601472]
  光度損失は、自己監督された深度とエゴモーション推定に広く利用されている。 本研究では,特徴量損失を提案し,特徴表現に基づいて定義する。 可視化による総合的な実験と詳細な分析により,提案した特徴量損失の有効性が示された。
  論文  参考訳（メタデータ） (2020-07-21T05:19:07Z)
• SRFlow: Learning the Super-Resolution Space with Normalizing Flow [176.07982398988747]
  超解像度は、与えられた低解像度画像の複数の予測を可能にするため、不適切な問題である。 出力の条件分布を学習できる正規化フローベース超解法SRFlowを提案する。 我々のモデルは、単一損失、すなわち負のログ類似度を用いて、原則的に訓練されている。
  論文  参考訳（メタデータ） (2020-06-25T06:34:04Z)
• Invertible Image Rescaling [118.2653765756915]
  Invertible Rescaling Net (IRN) を開発した。 我々は、ダウンスケーリングプロセスにおいて、指定された分布に従う潜在変数を用いて、失われた情報の分布をキャプチャする。
  論文  参考訳（メタデータ） (2020-05-12T09:55:53Z)

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。