論文の概要: Ultra-High-Definition Image Restoration: New Benchmarks and A Dual Interaction Prior-Driven Solution

• arxiv url: http://arxiv.org/abs/2406.13607v4
• Date: Wed, 16 Oct 2024 01:11:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-17 13:38:51.339566
• Title: Ultra-High-Definition Image Restoration: New Benchmarks and A Dual Interaction Prior-Driven Solution
• Title（参考訳）: 超高精細画像復元 : 新しいベンチマークとデュアルインタラクション優先型ソリューション
• Authors: Liyan Wang, Cong Wang, Jinshan Pan, Xiaofeng Liu, Weixiang Zhou, Xiaoran Sun, Wei Wang, Zhixun Su,
• Abstract要約: UHD-Snow と UHD-Rain という名の UHD 雪と降雨のベンチマークを構築した。 各ベンチマークには3200の分解/クリアイメージ対の4K解像度が含まれている。 モデル設計における勾配と正規項を考慮した効率的なUHD画像復元法を提案する。
• 参考スコア（独自算出の注目度）: 37.42524995828323
• License:
• Abstract: Ultra-High-Definition (UHD) image restoration has acquired remarkable attention due to its practical demand. In this paper, we construct UHD snow and rain benchmarks, named UHD-Snow and UHD-Rain, to remedy the deficiency in this field. The UHD-Snow/UHD-Rain is established by simulating the physics process of rain/snow into consideration and each benchmark contains 3200 degraded/clear image pairs of 4K resolution. Furthermore, we propose an effective UHD image restoration solution by considering gradient and normal priors in model design thanks to these priors' spatial and detail contributions. Specifically, our method contains two branches: (a) feature fusion and reconstruction branch in high-resolution space and (b) prior feature interaction branch in low-resolution space. The former learns high-resolution features and fuses prior-guided low-resolution features to reconstruct clear images, while the latter utilizes normal and gradient priors to mine useful spatial features and detail features to guide high-resolution recovery better. To better utilize these priors, we introduce single prior feature interaction and dual prior feature interaction, where the former respectively fuses normal and gradient priors with high-resolution features to enhance prior ones, while the latter calculates the similarity between enhanced prior ones and further exploits dual guided filtering to boost the feature interaction of dual priors. We conduct experiments on both new and existing public datasets and demonstrate the state-of-the-art performance of our method on UHD image low-light enhancement, dehazing, deblurring, desonwing, and deraining. The source codes and benchmarks are available at \url{https://github.com/wlydlut/UHDDIP}.
• Abstract（参考訳）: 超高精細画像復元(UHD)は,その実用的需要から注目されている。 本稿では, UHD-Snow と UHD-Rain という, UHD 雪と降雨のベンチマークを構築し, この分野での不足を解消する。 UHD-Snow/UHD-Rainは雨・雪の物理過程をシミュレーションして構築され、それぞれのベンチマークには4K解像度の3200の劣化/クラー画像対が含まれている。 さらに,これらの先行画像の空間的および詳細的な寄与により,モデル設計の勾配や正規化を考慮し,有効なUHD画像復元ソリューションを提案する。 具体的には,本手法は2つの枝を含む。 (a)高分解能空間における特徴融合再生枝 (b)低分解能空間における先行的特徴相互作用分岐。 前者は高精細な特徴を学習し、前者は高精細な画像を再構成するために事前誘導された低精細な特徴を融合する。 これらの先行処理をよりよく活用するために、前者は正常な特徴と勾配の先行処理を融合させ、後者は強化された先行処理の類似性を計算し、さらに二重誘導フィルタリングを利用して二重先行処理の特性相互作用を増強する、単一先行処理と二重先行処理を導入する。 提案手法は,UHD画像の低照度化,デハージング,デブロアリング,デコノイング,デコノイングに対して,新規および既存両方の公開データセットの実験を行い,その現状を実証する。 ソースコードとベンチマークは \url{https://github.com/wlydlut/UHDDIP} で公開されている。

関連論文リスト

• Realistic Extreme Image Rescaling via Generative Latent Space Learning [51.85790402171696]
  極端画像再スケーリングのためのLatent Space Based Image Rescaling (LSBIR) という新しいフレームワークを提案する。 LSBIRは、訓練済みのテキスト-画像拡散モデルによって学習された強力な自然画像の先行を効果的に活用し、リアルなHR画像を生成する。 第1段階では、擬似非可逆エンコーダデコーダは、HR画像の潜在特徴とターゲットサイズのLR画像との双方向マッピングをモデル化する。 第2段階では、第1段階からの再構成された特徴を事前訓練された拡散モデルにより洗練し、より忠実で視覚的に喜ぶ詳細を生成する。
  論文  参考訳（メタデータ） (2024-08-17T09:51:42Z)
• Towards Ultra-High-Definition Image Deraining: A Benchmark and An Efficient Method [42.331058889312466]
  本稿では,4K解像度で13,000枚の画像対を含む4K-Rain13kの大規模UHD画像デライニングデータセットについて述べる。 我々は,この課題をより効果的かつ効率的な視覚ベースアーキテクチャ (UDR-Mixer) を開発した。
  論文  参考訳（メタデータ） (2024-05-27T11:45:08Z)
• Embedding Fourier for Ultra-High-Definition Low-Light Image Enhancement [78.67036949708795]
  UHD(Ultra-High-Definition)写真は、高度な撮像装置の標準構成となっている。 本稿では,Fourier変換をカスケードネットワークに組み込む新しいソリューションUHDFourを提案する。 また,2,150個の低雑音/正規クラー4K画像ペアを含むUHD LLIEデータセットである textbfUHD-LL をコントリビュートした。
  論文  参考訳（メタデータ） (2023-02-23T07:43:41Z)
• SVBRDF Recovery From a Single Image With Highlights using a Pretrained Generative Adversarial Network [25.14140648820334]
  本稿では,教師なし生成逆向ニューラルネットワーク(GAN)を用いて,SVBRDFsマップを入力として復元する。 SVBRDFを初期化するために訓練されたモデルを再利用し、入力画像に基づいて微調整する。 提案手法は,1枚の入力画像から高品質なSVBRDFマップを生成し,従来よりも鮮明なレンダリング結果を提供する。
  論文  参考訳（メタデータ） (2021-10-29T10:39:06Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• Progressive and Selective Fusion Network for High Dynamic Range Imaging [28.639647755164916]
  本稿では,LDR画像からシーンのHDR画像を生成する問題について考察する。 近年の研究では、ディープラーニングを採用し、エンドツーエンドで問題を解決することで、大幅なパフォーマンス向上を実現している。 本稿では,2つのアイデアに基づいて特徴を融合させる新しい手法を提案する。1つは多段階の特徴融合であり,我々のネットワークは同じ構造を持つブロックのスタックに徐々に特徴を融合させる。
  論文  参考訳（メタデータ） (2021-08-19T09:42:03Z)
• UltraSR: Spatial Encoding is a Missing Key for Implicit Image Function-based Arbitrary-Scale Super-Resolution [74.82282301089994]
  本研究では,暗黙的イメージ関数に基づく,シンプルで効果的な新しいネットワーク設計であるUltraSRを提案する。 空間符号化は,次の段階の高精度暗黙的画像機能に対する欠落鍵であることを示す。 UltraSRは、すべての超解像スケールでDIV2Kベンチマークに最新のパフォーマンスを設定します。
  論文  参考訳（メタデータ） (2021-03-23T17:36:42Z)
• Gated Fusion Network for Degraded Image Super Resolution [78.67168802945069]
  本稿では,基本特徴と回復特徴を別々に抽出する二分岐畳み込みニューラルネットワークを提案する。 特徴抽出ステップを2つのタスク非依存ストリームに分解することで、デュアルブランチモデルがトレーニングプロセスを容易にすることができる。
  論文  参考訳（メタデータ） (2020-03-02T13:28:32Z)

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。