論文の概要: Content-decoupled Contrastive Learning-based Implicit Degradation Modeling for Blind Image Super-Resolution
- arxiv url: http://arxiv.org/abs/2408.05440v1
- Date: Sat, 10 Aug 2024 04:51:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-13 19:01:07.710554
- Title: Content-decoupled Contrastive Learning-based Implicit Degradation Modeling for Blind Image Super-Resolution
- Title（参考訳）: Blind Image Super-Resolutionのためのコンテントデカップリング型コントラスト学習によるインプシット劣化モデル
- Authors: Jiang Yuan, Ji Ma, Bo Wang, Weiming Hu,
- Abstract要約: 急激な劣化モデルに基づくブラインド・スーパーレゾリューション(SR)は、コミュニティで注目を集めている。
本稿では,CdCL(Content-decoupled Contrastive Learning-based blind image super- resolution)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）: 33.16889233975723
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Implicit degradation modeling-based blind super-resolution (SR) has attracted more increasing attention in the community due to its excellent generalization to complex degradation scenarios and wide application range. How to extract more discriminative degradation representations and fully adapt them to specific image features is the key to this task. In this paper, we propose a new Content-decoupled Contrastive Learning-based blind image super-resolution (CdCL) framework following the typical blind SR pipeline. This framework introduces negative-free contrastive learning technique for the first time to model the implicit degradation representation, in which a new cyclic shift sampling strategy is designed to ensure decoupling between content features and degradation features from the data perspective, thereby improving the purity and discriminability of the learned implicit degradation space. In addition, to improve the efficiency and effectiveness of implicit degradation-based blind super-resolving, we design a detail-aware implicit degradation adaption module with lower complexity, which adapts degradation information to the specific LR image from both channel and spatial perspectives. Extensive experiments on synthetic and real data prove that the proposed CdCL comprehensively improves the quantitative and qualitative results of contrastive learning-based implicit blind SR paradigm, and achieves SOTA PSNR in this field. Even if the number of parameters is halved, our method still achieves very competitive results.
- Abstract（参考訳）: 複雑な劣化シナリオと幅広い応用範囲への優れた一般化により、暗黙の劣化モデリングに基づく視覚超解像 (SR) がコミュニティの注目を集めている。
より差別的な劣化表現を抽出し、特定の画像特徴に完全に適応する方法が、この課題の鍵である。
本稿では,コンテントデカップリング型コントラスト学習ベースブラインド画像超解像(CdCL)フレームワークを提案する。
このフレームワークは、暗黙の劣化表現をモデル化するために、初めて、暗黙の劣化表現をモデル化するために、データの観点からコンテンツ特徴と劣化特徴の疎結合を確保するために、新しい循環シフトサンプリング戦略を設計し、学習された暗黙の劣化空間の純度と識別性を改善する。
さらに,暗黙的劣化に基づく暗黙的過分解の効率と有効性を改善するため,細部認識型暗黙的劣化適応モジュールを設計し,チャネルと空間の両方の観点から特定のLR画像に分解情報を適用する。
合成および実データに関する大規模な実験により、提案したCdCLは、対照的な学習に基づく暗黙的暗黙的SRパラダイムの量的および質的な結果を総合的に改善し、この分野においてSOTA PSNRを達成することが証明された。
パラメータの数が半減しても,本手法は非常に競合的な結果が得られる。
関連論文リスト
- Degradation Oriented and Regularized Network for Blind Depth Super-Resolution [48.744290794713905]
現実のシナリオでは、キャプチャーされた深度データは、センサーの制限や複雑な撮像環境のために、従来と変わらない劣化に悩まされることが多い。
本稿では,現実のシーンにおける未知の劣化に適応的に対処する新しいフレームワークであるDORNetを提案する。
提案手法は,低解像度深度データの劣化表現をモデル化した自己教師付き劣化学習戦略の開発から始まる。
効率的なRGB-D融合を容易にするために,学習した劣化先行情報に基づいて,RGBコンテンツを奥行きデータに選択的に伝播する劣化指向の特徴変換モジュールを導入する。
論文 参考訳（メタデータ） (2024-10-15T14:53:07Z) - 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) - Preserving Full Degradation Details for Blind Image Super-Resolution [40.152015542099704]
劣化低分解能画像(LR)の再生による劣化表現の学習方法を提案する。
復調器に入力LR画像の再構成を誘導することにより、その表現に全劣化情報をエンコードすることができる。
実験により, 精度が高く, 強靭な劣化情報を抽出できることが確認された。
論文 参考訳（メタデータ） (2024-07-01T13:54:59Z) - Suppressing Uncertainties in Degradation Estimation for Blind Super-Resolution [31.89605287039615]
ブラインド画像の超解像問題は、未知の劣化モードで低解像度(LR)画像から高解像度(HR)画像を復元することを目的としている。
既存のほとんどの手法は、ぼやけたカーネルを使って画像劣化過程をモデル化している。
盲目的のtextbf Super-textbfResolution フレームワークに対して,textbfUncertainty に基づく分解表現を提案する。
論文 参考訳（メタデータ） (2024-06-24T08:58:43Z) - LLDiffusion: Learning Degradation Representations in Diffusion Models
for Low-Light Image Enhancement [118.83316133601319]
現在の低照度画像強調(LLIE)の深層学習法は、通常、ペア化されたデータから学んだピクセルワイドマッピングに依存している。
本稿では,拡散モデルを用いたLLIEの劣化認識学習手法を提案する。
論文 参考訳（メタデータ） (2023-07-27T07:22:51Z) - 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) - Blind Super-Resolution for Remote Sensing Images via Conditional
Stochastic Normalizing Flows [14.882417028542855]
本稿では、上記の問題に対処するために、正規化フロー(BlindSRSNF)に基づく新しいブラインドSRフレームワークを提案する。
BlindSRSNFは、低解像度(LR)画像が与えられた高解像度画像空間上の条件確率分布を、確率の変動境界を明示的に最適化することによって学習する。
提案アルゴリズムは,シミュレーションLRと実世界RSIの両方において,視覚的品質の優れたSR結果が得られることを示す。
論文 参考訳（メタデータ） (2022-10-14T12:37:32Z) - 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) - Uncovering the Over-smoothing Challenge in Image Super-Resolution: Entropy-based Quantification and Contrastive Optimization [67.99082021804145]
我々はDetail Enhanced Contrastive Loss (DECLoss)と呼ばれるCOO問題に対する明確な解決策を提案する。
DECLossはコントラスト学習のクラスタリング特性を利用して、潜在的な高分解能分布の分散を直接的に低減する。
我々は複数の超高解像度ベンチマーク上でDECLosを評価し,PSNR指向モデルの知覚品質を向上させることを実証した。
論文 参考訳（メタデータ） (2022-01-04T08:30:09Z) - Blind Image Super-Resolution via Contrastive Representation Learning [41.17072720686262]
マルチモーダルおよび空間変動分布を持つ画像のブラインドSRに着目したコントラスト表現学習ネットワークを設計する。
提案したCRL-SRは,ブラインド設定下でのマルチモーダル・空間変動劣化を効果的に処理可能であることを示す。
また、最先端のSR手法を質的に、定量的に上回る。
論文 参考訳（メタデータ） (2021-07-01T19:34:23Z)
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。