論文の概要: Dilated Strip Attention Network for Image Restoration

• arxiv url: http://arxiv.org/abs/2407.18613v1
• Date: Fri, 26 Jul 2024 09:12:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-29 13:50:27.574562
• Title: Dilated Strip Attention Network for Image Restoration
• Title（参考訳）: 画像復元のための拡張ストリップ注意ネットワーク
• Authors: Fangwei Hao, Jiesheng Wu, Ji Du, Yinjie Wang, Jing Xu,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.65781374269726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image restoration is a long-standing task that seeks to recover the latent sharp image from its deteriorated counterpart. Due to the robust capacity of self-attention to capture long-range dependencies, transformer-based methods or some attention-based convolutional neural networks have demonstrated promising results on many image restoration tasks in recent years. However, existing attention modules encounters limited receptive fields or abundant parameters. In order to integrate contextual information more effectively and efficiently, in this paper, we propose a dilated strip attention network (DSAN) for image restoration. Specifically, to gather more contextual information for each pixel from its neighboring pixels in the same row or column, a dilated strip attention (DSA) mechanism is elaborately proposed. By employing the DSA operation horizontally and vertically, each location can harvest the contextual information from a much wider region. In addition, we utilize multi-scale receptive fields across different feature groups in DSA to improve representation learning. Extensive experiments show that our DSAN outperforms state-of-the-art algorithms on several image restoration tasks.
• Abstract（参考訳）: 画像復元は、劣化した画像から潜むシャープなイメージを回復しようとする長年の課題である。 長距離依存関係をキャプチャする自己注意力の強い能力、トランスフォーマーベースの方法、あるいは注意に基づく畳み込みニューラルネットワークは、近年多くの画像復元タスクにおいて有望な結果を示している。 しかし、既存のアテンションモジュールは、限られた受容場や豊富なパラメータに遭遇する。 本稿では,文脈情報をより効果的かつ効率的に統合するために,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。 具体的には、隣接する各画素から同じ行または列に、より文脈的な情報を集めるために、拡張ストリップアテンション(DSA)機構を精巧に提案する。 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。 さらに,DSAの異なる特徴群にまたがるマルチスケール受容場を用いて表現学習を改善する。 大規模な実験により、DSANは複数の画像復元タスクにおいて最先端のアルゴリズムより優れていることが示された。

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)
• DDR: Exploiting Deep Degradation Response as Flexible Image Descriptor [54.90762380689283]
  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。
  論文  参考訳（メタデータ） (2024-06-12T16:26:56Z)
• Empowering Image Recovery_ A Multi-Attention Approach [96.25892659985342]
  Diverse Restormer (DART) は、様々なソースからの情報を統合して復元課題に対処する画像復元手法である。 DARTは、全体的なパフォーマンスを高めるために、カスタマイズされたアテンションメカニズムを採用している。 5つの復元作業における評価は、常にDARTを最前線に配置する。
  論文  参考訳（メタデータ） (2024-04-06T12:50:08Z)
• 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)
• Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
  本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。 我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。 提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2022-04-19T17:59:45Z)
• Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
  畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。 ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。 提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
  論文  参考訳（メタデータ） (2020-03-15T11:04:30Z)

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。