論文の概要: DDR: Exploiting Deep Degradation Response as Flexible Image Descriptor

• arxiv url: http://arxiv.org/abs/2406.08377v2
• Date: Sun, 06 Oct 2024 04:34:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-08 13:38:01.003040
• Title: DDR: Exploiting Deep Degradation Response as Flexible Image Descriptor
• Title（参考訳）: DDR: フレキシブルなイメージ記述子としての深層劣化応答の爆発
• Authors: Juncheng Wu, Zhangkai Ni, Hanli Wang, Wenhan Yang, Yuyin Zhou, Shiqi Wang,
• Abstract要約: 本稿では, 劣化条件の異なる画像深部特徴の変化を定量化するDDRについて述べる。 画像記述子としてのDDRの汎用性は,キー画像属性と強い相関関係がみられた。 DDRは、画像復元作業において効果的な教師なし学習目標として機能し、画像の劣化と単一画像の超解像において顕著な進歩をもたらす。
• 参考スコア（独自算出の注目度）: 54.90762380689283
• License:
• Abstract: Image deep features extracted by pre-trained networks are known to contain rich and informative representations. In this paper, we present Deep Degradation Response (DDR), a method to quantify changes in image deep features under varying degradation conditions. Specifically, our approach facilitates flexible and adaptive degradation, enabling the controlled synthesis of image degradation through text-driven prompts. Extensive evaluations demonstrate the versatility of DDR as an image descriptor, with strong correlations observed with key image attributes such as complexity, colorfulness, sharpness, and overall quality. Moreover, we demonstrate the efficacy of DDR across a spectrum of applications. It excels as a blind image quality assessment metric, outperforming existing methodologies across multiple datasets. Additionally, DDR serves as an effective unsupervised learning objective in image restoration tasks, yielding notable advancements in image deblurring and single-image super-resolution. Our code is available at: https://github.com/eezkni/DDR
• Abstract（参考訳）: 事前訓練されたネットワークによって抽出された画像の深い特徴は、リッチで情報的な表現を含むことが知られている。 本稿では, 劣化条件の異なる画像深部特徴の変化を定量化するDDRについて述べる。 具体的には、テキスト駆動のプロンプトによる画像劣化の制御を可能にすることにより、フレキシブルかつ適応的な劣化を促進する。 画像記述子としてのDDRの汎用性は, 複雑さ, カラフルネス, シャープネス, 全体的な品質など, 画像特性と強く相関している。 さらに,DDRの有効性を応用範囲で示す。 ブラインド画像品質評価指標として優れ、既存の手法を複数のデータセットで上回る。 さらに、DDRは画像復元作業において効果的な教師なし学習目標として機能し、画像の劣化と単一画像の超解像において顕著な進歩をもたらす。 私たちのコードは、https://github.com/eezkni/DDRで利用可能です。

関連論文リスト

• Multi-Scale Representation Learning for Image Restoration with State-Space Model [13.622411683295686]
  効率的な画像復元のためのマルチスケール状態空間モデル(MS-Mamba)を提案する。 提案手法は,計算複雑性を低く保ちながら,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-08-19T16:42:58Z)
• Dilated Strip Attention Network for Image Restoration [5.65781374269726]
  画像復元のための拡張ストリップアテンションネットワーク(DSAN)を提案する。 DSA操作を水平および垂直に使用することにより、各場所はより広い領域からコンテキスト情報を収集することができる。 実験の結果,DSANは複数の画像復元作業において最先端のアルゴリズムより優れていることがわかった。
  論文  参考訳（メタデータ） (2024-07-26T09:12:30Z)
• Unified-Width Adaptive Dynamic Network for All-In-One Image Restoration [50.81374327480445]
  本稿では, 複雑な画像劣化を基本劣化の観点で表現できる, という新しい概念を提案する。 We propose the Unified-Width Adaptive Dynamic Network (U-WADN) which consist of two pivotal components: a Width Adaptive Backbone (WAB) and a Width Selector (WS)。 提案したU-WADNは、最大32.3%のFLOPを同時に削減し、約15.7%のリアルタイム加速を実現している。
  論文  参考訳（メタデータ） (2024-01-24T04:25:12Z)
• All-in-one Multi-degradation Image Restoration Network via Hierarchical Degradation Representation [47.00239809958627]
  我々は新しいオールインワン・マルチデグレーション画像復元ネットワーク(AMIRNet)を提案する。 AMIRNetは、クラスタリングによって木構造を段階的に構築することで、未知の劣化画像の劣化表現を学習する。 この木構造表現は、様々な歪みの一貫性と不一致を明示的に反映しており、画像復元の具体的な手がかりとなっている。
  論文  参考訳（メタデータ） (2023-08-06T04:51:41Z)
• 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)
• Masked Autoencoders are Robust Data Augmentors [90.34825840657774]
  ディープニューラルネットワークの一般化には、画像拡張のような正規化技術が必要である。 本稿では,トレーニングプロセスの正規化に向けて,新たな拡張の視点を提案する。 このようなモデルに基づく非線形変換をデータ拡張として活用することで,高レベルの認識タスクを向上できることを示す。
  論文  参考訳（メタデータ） (2022-06-10T02:41:48Z)
• 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)
• Efficient and Degradation-Adaptive Network for Real-World Image Super-Resolution [28.00231586840797]
  実世界の画像超解像(Real-ISR)は、実世界の画像の未知の複雑な劣化のために難しい課題である。 近年のReal-ISRの研究は、画像劣化空間をモデル化することによって大きな進歩を遂げている。 本稿では,各入力画像の劣化を推定してパラメータを適応的に指定する,効率的な劣化適応型超解像ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-03-27T05:59:13Z)
• Content-adaptive Representation Learning for Fast Image Super-resolution [6.5468866820512215]
  我々は、パッチワイドなローリングネットワークをコンテント順応して画像の難易度に応じて復元することで、画像SRの効率性の問題に対処する。 難易度を無視する既存の研究とは対照的に、ニューラルネットワークの異なる段階を採用して画像復元を行う。 我々のモデルは、重要な加速を示すだけでなく、最先端の性能も維持する。
  論文  参考訳（メタデータ） (2021-05-20T10:24:29Z)
• Towards Unsupervised Deep Image Enhancement with Generative Adversarial Network [92.01145655155374]
  監視されていない画像強調生成ネットワーク(UEGAN)を提案する。 教師なしの方法で所望の特性を持つ画像の集合から、対応する画像と画像のマッピングを学習する。 その結果,提案モデルは画像の美的品質を効果的に向上することがわかった。
  論文  参考訳（メタデータ） (2020-12-30T03:22:46Z)

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。