論文の概要: MPSI: Mamba enhancement model for pixel-wise sequential interaction Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2412.07222v1
• Date: Tue, 10 Dec 2024 06:18:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-11 14:38:16.057486
• Title: MPSI: Mamba enhancement model for pixel-wise sequential interaction Image Super-Resolution
• Title（参考訳）: MPSI: Mamba enhancement model for pixel-wise sequence interaction Image Super-Resolution
• Authors: Yuchun He, Yuhan He,
• Abstract要約: 単一画像超解像(SR)は、コンピュータビジョンの分野で長年、課題を提起してきた。 本稿では,情報の長距離接続を確立するために,MPSI(Mamba pixel-wise sequence interaction network)を提案する。 MPSIは、画像再構成結果の点で既存の超解像法より優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Single image super-resolution (SR) has long posed a challenge in the field of computer vision. While the advent of deep learning has led to the emergence of numerous methods aimed at tackling this persistent issue, the current methodologies still encounter challenges in modeling long sequence information, leading to limitations in effectively capturing the global pixel interactions. To tackle this challenge and achieve superior SR outcomes, we propose the Mamba pixel-wise sequential interaction network (MPSI), aimed at enhancing the establishment of long-range connections of information, particularly focusing on pixel-wise sequential interaction. We propose the Channel-Mamba Block (CMB) to capture comprehensive pixel interaction information by effectively modeling long sequence information. Moreover, in the existing SR methodologies, there persists the issue of the neglect of features extracted by preceding layers, leading to the loss of valuable feature information. While certain existing models strive to preserve these features, they frequently encounter difficulty in establishing connections across all layers. To overcome this limitation, MPSI introduces the Mamba channel recursion module (MCRM), which maximizes the retention of valuable feature information from early layers, thereby facilitating the acquisition of pixel sequence interaction information from multiple-level layers. Through extensive experimentation, we demonstrate that MPSI outperforms existing super-resolution methods in terms of image reconstruction results, attaining state-of-the-art performance.
• Abstract（参考訳）: シングルイメージ超解像(SR)は、コンピュータビジョンの分野で長年、課題を提起してきた。 ディープラーニングの出現は、この永続的な問題に対処するための多くの手法の出現につながったが、現在の方法論は、長いシーケンス情報をモデリングする際の課題に直面しており、グローバルなピクセル間相互作用を効果的に捉えるのに限界がある。 この課題に対処し、優れたSR結果を得るために、特に画素単位のシーケンシャルな相互作用に着目した、長距離情報接続の確立を目的とした、マンバ画素単位のシーケンシャルな相互作用ネットワーク(MPSI)を提案する。 本稿では,Channel-Mamba Block (CMB)を提案する。 さらに,既存のSR手法では,先行層が抽出した特徴の無視が問題視され,貴重な特徴情報が失われる。 既存のモデルはこれらの機能を保存しようとするが、すべての層にまたがる接続を確立するのにしばしば困難に遭遇する。 この制限を克服するため、MPSIはMCRM(Mamba Channel Recursion Module)を導入し、これは初期のレイヤからの価値ある特徴情報の保持を最大化し、複数のレイヤからピクセルシーケンスの相互作用情報を取得するのを容易にする。 広汎な実験により,MPSIは画像再構成結果において既存の超解像法よりも優れ,最先端の性能が得られることを示した。

関連論文リスト

• COMO: Cross-Mamba Interaction and Offset-Guided Fusion for Multimodal Object Detection [9.913133285133998]
  単一モードのオブジェクト検出タスクは、多種多様なシナリオに遭遇する際のパフォーマンス劣化を経験することが多い。 マルチモーダルオブジェクト検出タスクは、様々なモダリティからのデータを統合することで、オブジェクト機能に関するより包括的な情報を提供することができる。 本稿では,CrOss-Mamba相互作用とOffset-Guided融合フレームワークという新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-24T01:14:48Z)
• MLLA-UNet: Mamba-like Linear Attention in an Efficient U-Shape Model for Medical Image Segmentation [6.578088710294546]
  従来のセグメンテーション手法は、高い解剖学的変動、ぼやけた組織の境界、低い臓器コントラスト、ノイズといった課題に対処するのに苦労する。 MLLA-UNet(Mamba-like Linear Attention UNet)を提案する。 MLLA-UNetは、FLARE22、AMOS CT、ACDCに限らず、24の異なるセグメンテーションタスクを持つ6つの挑戦的なデータセットに対して、平均88.32%の最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2024-10-31T08:54:23Z)
• Learning from Multi-Perception Features for Real-Word Image Super-resolution [87.71135803794519]
  入力画像の複数の知覚的特徴を利用する新しいSR手法MPF-Netを提案する。 本稿では,MPFEモジュールを組み込んで,多様な知覚情報を抽出する手法を提案する。 また、モデルの学習能力を向上する対照的な正規化項(CR)も導入する。
  論文  参考訳（メタデータ） (2023-05-26T07:35:49Z)
• 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)
• Prior-Induced Information Alignment for Image Matting [28.90998570043986]
  我々は、PIIAMatting(Presideed-induced Information Alignment Matting Network)という新しいネットワークを提案する。 ピクセルワイズ対応マップの区別と層ワイズ特徴マップの相関を効率的にモデル化することができる。 PIIAMattingはAlphamatting.com, composition-1K, Distinctions-646データセットの最先端の画像マッチング手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2021-06-28T07:46:59Z)
• High-resolution Depth Maps Imaging via Attention-based Hierarchical Multi-modal Fusion [84.24973877109181]
  誘導DSRのための新しい注意に基づく階層型マルチモーダル融合ネットワークを提案する。 本手法は,再現精度,動作速度,メモリ効率の点で最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:28:33Z)
• Deep Burst Super-Resolution [165.90445859851448]
  バースト超解像タスクのための新しいアーキテクチャを提案する。 我々のネットワークは複数のノイズRAW画像を入力として取り出し、出力として分解された超解像RGB画像を生成する。 実世界のデータのトレーニングと評価を可能にするため,BurstSRデータセットも導入する。
  論文  参考訳（メタデータ） (2021-01-26T18:57:21Z)
• Sequential Hierarchical Learning with Distribution Transformation for Image Super-Resolution [83.70890515772456]
  画像SRのための逐次階層学習型超解像ネットワーク(SHSR)を構築した。 特徴のスケール間相関を考察し、階層的情報を段階的に探索するシーケンシャルなマルチスケールブロック(SMB)を考案する。 実験結果から,SHSRは最先端手法に優れた定量的性能と視覚的品質が得られることが示された。
  論文  参考訳（メタデータ） (2020-07-19T01:35:53Z)
• 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。