論文の概要: Sewer Image Super-Resolution with Depth Priors and Its Lightweight Network

• arxiv url: http://arxiv.org/abs/2407.19271v2
• Date: Tue, 27 Aug 2024 06:34:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-28 18:49:32.241237
• Title: Sewer Image Super-Resolution with Depth Priors and Its Lightweight Network
• Title（参考訳）: 深度優先型下水画像超解像とその軽量ネットワーク
• Authors: Gang Pan, Chen Wang, Zhijie Sui, Shuai Guo, Yaozhi Lv, Honglie Li, Di Sun, Zixia Xia,
• Abstract要約: クイックビュー(QV)技術は下水道システム内の欠陥を検出する主要な方法である。 超解像度は画像品質を改善する効果的な方法であり、様々な場面で応用されている。 本研究では, DSRNet で表される新しい深層誘導参照型超解法フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 11.13549330516683
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Quick-view (QV) technique serves as a primary method for detecting defects within sewerage systems. However, the effectiveness of QV is impeded by the limited visual range of its hardware, resulting in suboptimal image quality for distant portions of the sewer network. Image super-resolution is an effective way to improve image quality and has been applied in a variety of scenes. However, research on super-resolution for sewer images remains considerably unexplored. In response, this study leverages the inherent depth relationships present within QV images and introduces a novel Depth-guided, Reference-based Super-Resolution framework denoted as DSRNet. It comprises two core components: a depth extraction module and a depth information matching module (DMM). DSRNet utilizes the adjacent frames of the low-resolution image as reference images and helps them recover texture information based on the correlation. By combining these modules, the integration of depth priors significantly enhances both visual quality and performance benchmarks. Besides, in pursuit of computational efficiency and compactness, a super-resolution knowledge distillation model based on an attention mechanism is introduced. This mechanism facilitates the acquisition of feature similarity between a more complex teacher model and a streamlined student model, with the latter being a lightweight version of DSRNet. Experimental results demonstrate that DSRNet significantly improves PSNR and SSIM compared with other methods. This study also conducts experiments on sewer defect semantic segmentation, object detection, and classification on the Pipe dataset and Sewer-ML dataset. Experiments show that the method can improve the performance of low-resolution sewer images in these tasks.
• Abstract（参考訳）: クイックビュー(Quick-view, QV)技術は、下水道システム内の欠陥を検出する主要な方法である。 しかし、QVの有効性はハードウェアの視覚範囲の制限によって阻害され、その結果、下水道網の遠方部分の最適画像品質が低下する。 画像超解像は画像品質を改善する効果的な方法であり、様々な場面で応用されている。 しかし, 下水道画像の超高分解能化に関する研究はいまだに未検討である。 そこで本研究では,QV画像内に存在する固有深度関係を活用し,DSRNetと呼ばれる新しい深度誘導型参照型超解法フレームワークを提案する。 深度抽出モジュールと深度情報マッチングモジュール(DMM)の2つのコアコンポーネントから構成される。 DSRNetは、低解像度画像の隣接フレームを基準画像として利用し、相関に基づいてテクスチャ情報を復元する。 これらのモジュールを組み合わせることで、深度事前の統合は視覚的品質とパフォーマンスのベンチマークの両方を大幅に強化する。 また, 計算効率とコンパクト性を追求するために, 注意機構に基づく超解像知識蒸留モデルを導入する。 このメカニズムは,DSRNetの軽量バージョンである,より複雑な教師モデルと合理化された学生モデルとの間の特徴的類似性の獲得を促進する。 実験の結果,DSRNetはPSNRとSSIMを他の手法と比較して有意に改善した。 また, 下水道欠陥セマンティックセグメンテーション, オブジェクト検出, およびPipeデータセットと下水道MLデータセットの分類について実験を行った。 実験により, これらの課題において, 低解像度下水道画像の性能を向上させることができることがわかった。

関連論文リスト

• Research on Image Super-Resolution Reconstruction Mechanism based on Convolutional Neural Network [8.739451985459638]
  超解像アルゴリズムは、同一シーンから撮影された1つ以上の低解像度画像を高解像度画像に変換する。 再構成過程における画像の特徴抽出と非線形マッピング手法は,既存のアルゴリズムでは依然として困難である。 目的は、高解像度の画像から高品質で高解像度の画像を復元することである。
  論文  参考訳（メタデータ） (2024-07-18T06:50:39Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• Bridging Component Learning with Degradation Modelling for Blind Image Super-Resolution [69.11604249813304]
  視覚障害者のためのコンポーネント分解・協調最適化ネットワーク(CDCN)を提案する。 CDCNは入力LR画像を特徴空間の構造と詳細成分に分解する。 本稿では,HR画像の細部と構造復元過程を協調的に監督する,劣化駆動型学習戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-03T14:53:56Z)
• Exploring Resolution and Degradation Clues as Self-supervised Signal for Low Quality Object Detection [77.3530907443279]
  劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。 本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
  論文  参考訳（メタデータ） (2022-08-05T09:36:13Z)
• 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)
• Pyramid Grafting Network for One-Stage High Resolution Saliency Detection [29.013012579688347]
  我々は、異なる解像度画像から特徴を独立して抽出する、Praamid Grafting Network (PGNet) と呼ばれるワンステージフレームワークを提案する。 CNNブランチが壊れた詳細情報をよりホモロジーに組み合わせられるように、アテンションベースのクロスモデルグラフティングモジュール (CMGM) が提案されている。 我々は,4K-8K解像度で5,920個の画像を含む超高分解能塩度検出データセットUHRSDを新たに提供した。
  論文  参考訳（メタデータ） (2022-04-11T12:22:21Z)
• Deep Iterative Residual Convolutional Network for Single Image Super-Resolution [31.934084942626257]
  我々は、ISRResCNet(Deep Iterative Super-Resolution Residual Convolutional Network)を提案する。 残差学習アプローチを用いて、深層ネットワークを反復的に訓練することにより、強力な画像正規化と大規模最適化手法を活用する。 トレーニング可能なパラメータがいくつかある本手法は,最先端の手法と比較して,異なるスケーリング要因に対する結果を改善する。
  論文  参考訳（メタデータ） (2020-09-07T12:54:14Z)
• 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)
• 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。