Fugu-MT 論文翻訳(概要): Degradation Oriented and Regularized Network for Blind Depth Super-Resolution

論文の概要: Degradation Oriented and Regularized Network for Blind Depth Super-Resolution

arxiv url: http://arxiv.org/abs/2410.11666v3
Date: Wed, 06 Nov 2024 12:00:44 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-07 19:20:41.443814
Title: Degradation Oriented and Regularized Network for Blind Depth Super-Resolution
Title（参考訳）: Blind Depth Super-Resolutionのための劣化配向および正規化ネットワーク
Authors: Zhengxue Wang, Zhiqiang Yan, Jinshan Pan, Guangwei Gao, Kai Zhang, Jian Yang,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 48.744290794713905
License:
Abstract: Recent RGB-guided depth super-resolution methods have achieved impressive performance under the assumption of fixed and known degradation (e.g., bicubic downsampling). However, in real-world scenarios, captured depth data often suffer from unconventional and unknown degradation due to sensor limitations and complex imaging environments (e.g., low reflective surfaces, varying illumination). Consequently, the performance of these methods significantly declines when real-world degradation deviate from their assumptions. In this paper, we propose the Degradation Oriented and Regularized Network (DORNet), a novel framework designed to adaptively address unknown degradation in real-world scenes through implicit degradation representations. Our approach begins with the development of a self-supervised degradation learning strategy, which models the degradation representations of low-resolution depth data using routing selection-based degradation regularization. To facilitate effective RGB-D fusion, we further introduce a degradation-oriented feature transformation module that selectively propagates RGB content into the depth data based on the learned degradation priors. Extensive experimental results on both real and synthetic datasets demonstrate the superiority of our DORNet in handling unknown degradation, outperforming existing methods. The code is available at https://github.com/yanzq95/DORNet.
Abstract（参考訳）: 近年の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)を仮定して, 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度データは、センサーの制限や複雑な撮像環境(例えば、反射面の低さ、照明の変化など)によって、従来とは異なる、未知の劣化に悩まされることが多い。その結果、実世界の劣化が仮定から逸脱すると、これらの手法の性能は著しく低下する。本稿では,暗黙の劣化表現を通じて,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劣化指向・正規化ネットワーク(DORNet)を提案する。提案手法は、ルーティング選択に基づく劣化正規化を用いた低解像度深度データの劣化表現をモデル化する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。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、未知の劣化処理におけるDORNetの優位性を示し、既存の手法よりも優れています。コードはhttps://github.com/yanzq95/DORNetで公開されている。

関連論文リスト

Content-decoupled Contrastive Learning-based Implicit Degradation Modeling for Blind Image Super-Resolution [33.16889233975723]
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。
論文参考訳（メタデータ） (2024-08-10T04:51:43Z)
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)
Towards Realistic Data Generation for Real-World Super-Resolution [58.88039242455039]
RealDGenは、現実世界の超解像のために設計された教師なし学習データ生成フレームワークである。我々は,コンテンツ分解脱結合拡散モデルに統合されたコンテンツと劣化抽出戦略を開発する。実験により、RealDGenは、現実世界の劣化を反映する大規模で高品質なペアデータを生成するのに優れていることが示された。
論文参考訳（メタデータ） (2024-06-11T13:34:57Z)
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)
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)
Learning Generalizable Latent Representations for Novel Degradations in Super Resolution [29.706191592443027]
本稿では,手工芸品(ベース)の劣化から新しい劣化まで一般化可能な劣化の潜在表現空間を学習することを提案する。そして、この潜伏空間における新規な劣化の表現を利用して、新規な劣化と整合した劣化画像を生成する。我々は,新しい劣化を伴う視覚超解像法の有効性と利点を検証するために,合成データセットと実世界のデータセットの両方について広範な実験を行った。
論文参考訳（メタデータ） (2022-07-25T16:22:30Z)
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。