論文の概要: Degradation Oriented and Regularized Network for Real-World Depth Super-Resolution
- arxiv url: http://arxiv.org/abs/2410.11666v1
- Date: Tue, 15 Oct 2024 14:53:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-16 14:02:08.136514
- Title: Degradation Oriented and Regularized Network for Real-World Depth Super-Resolution
- Title(参考訳): 実世界深度超解法のための劣化配向・正規化ネットワーク
- Authors: Zhengxue Wang, Zhiqiang Yan,
- Abstract要約: 既存のRGB誘導深度超解法は、固定および既知の劣化の仮定に基づいて優れた性能を達成する。
しかし、現実のシナリオでは、キャプチャーされた深度は、センサーの制限と撮像環境の複雑さによって、通常ではない、そして不可知的な劣化に悩まされることが多い。
低解像度深度の学習劣化表現により多くの注意を払っている劣化指向正規化ネットワーク(DORNet)を提案する。
- 参考スコア(独自算出の注目度): 3.442040832307514
- License:
- Abstract: Recently, existing RGB-guided depth super-resolution methods achieve excellent performance based on the assumption of fixed and known degradation (e.g., bicubic downsampling). However, in real-world scenarios, the captured depth often suffers from unconventional and agnostic degradation due to sensor limitations and the complexity of imaging environments (e.g., low reflective surface, illumination). Their performance significantly declines when these real degradation differ from their assumptions. To address these issues, we propose a Degradation Oriented and Regularized Network, DORNet, which pays more attention on learning degradation representation of low-resolution depth that can provide targeted guidance for depth recovery. Specifically, we first design a self-supervised Degradation Learning to model the discriminative degradation representation of low-resolution depth using routing selection-based Degradation Regularization. Then, we present a Degradation Awareness that recursively conducts multiple Degradation-Oriented Feature Transformations, each of which selectively embeds RGB information into the depth based on the learned degradation representation. Extensive experimental results on both real and synthetic datasets demonstrate that our method achieves state-of-the-art performance.
- Abstract(参考訳): 近年, 既存のRGB誘導深度超解法は, 固定および既知の劣化(例えば, バイコビックダウンサンプリング)の仮定に基づいて優れた性能を達成している。
しかし、現実のシナリオでは、キャプチャーされた深さは、センサーの制限や撮像環境の複雑さ(例えば、反射面の低さ、照明など)によって、伝統的で不可知的な劣化に悩まされることが多い。
これらの実際の劣化が仮定と異なる場合、それらの性能は著しく低下する。
これらの課題に対処するために,低分解能深度の学習劣化表現により多くの注意を払って,深度回復のための目標ガイダンスを提供するDORNet(Degradation Oriented and Regularized Network)を提案する。
具体的には、ルーティング選択に基づく分解規則化を用いて、まず自己教師付き分解学習を設計し、低分解能深さの判別分解表現をモデル化する。
次に,学習した劣化表現に基づいて,RGB情報を奥行きに選択的に埋め込む複数の劣化指向特徴変換を再帰的に行う分解認識を提案する。
実データと合成データの両方に対する大規模な実験結果から,本手法が最先端の性能を実現することを示す。
関連論文リスト
- 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) - Incorporating Degradation Estimation in Light Field Spatial Super-Resolution [54.603510192725786]
本稿では,多種多様な劣化型を扱うために,明示的な劣化推定を組み込んだ効果的なブラインド光場SR法LF-DESTを提案する。
ベンチマークデータセットに対する広範な実験を行い、光場SRにおける様々な劣化シナリオにおいてLF-DESTが優れた性能を発揮することを示した。
論文 参考訳(メタデータ) (2024-05-11T13:14:43Z) - DeeDSR: Towards Real-World Image Super-Resolution via Degradation-Aware Stable Diffusion [27.52552274944687]
低解像度画像のコンテンツや劣化を認識する拡散モデルの能力を高める新しい2段階の劣化認識フレームワークを提案する。
最初の段階では、教師なしのコントラスト学習を用いて画像劣化の表現を得る。
第2段階では、分解対応モジュールを単純化されたControlNetに統合し、様々な劣化への柔軟な適応を可能にします。
論文 参考訳(メタデータ) (2024-03-31T12:07:04Z) - Crafting Training Degradation Distribution for the
Accuracy-Generalization Trade-off in Real-World Super-Resolution [53.0437282872811]
そこで本研究では,少数の参照画像を用いたクラフトトレーニング劣化分布の新しい手法を提案する。
提案手法は,実世界のアプリケーションにおける一般化能力を保ちながら,テスト画像の性能を著しく向上することを示す。
論文 参考訳(メタデータ) (2023-05-29T14:22:48Z) - 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) - Meta-Learning based Degradation Representation for Blind
Super-Resolution [54.93926549648434]
メタラーニングに基づく地域劣化対応SRネットワーク(MRDA)を提案する。
我々はMRDAを用いて、数回の反復後に特定の複雑な劣化に迅速に適応し、暗黙的な劣化情報を抽出する。
教師ネットワークMRDA$_T$は、SRのためにMLNが抽出した劣化情報をさらに活用するように設計されている。
論文 参考訳(メタデータ) (2022-07-28T09:03:00Z) - 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) - Unsupervised Degradation Representation Learning for Blind
Super-Resolution [27.788488575616032]
CNNベースのスーパーリゾリューション(SR)手法は、実際の劣化が仮定と異なる場合に深刻なパフォーマンス低下を被る。
明示的な劣化推定を伴わない盲点SRのための教師なし劣化表現学習手法を提案する。
我々のネットワークは、ブラインドSRタスクの最先端性能を達成する。
論文 参考訳(メタデータ) (2021-04-01T11:57:42Z) - Real-world Person Re-Identification via Degradation Invariance Learning [111.86722193694462]
現実のシナリオにおける人物再識別(Re-ID)は通常、低解像度、弱い照明、ぼやけ、悪天候などの様々な劣化要因に悩まされる。
本稿では,現実世界のRe-IDを対象とした劣化不変学習フレームワークを提案する。
自己教師付き不整合表現学習戦略を導入することにより,個人性に関連する頑健な特徴を同時に抽出することができる。
論文 参考訳(メタデータ) (2020-04-10T07:58:50Z)
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。