論文の概要: Block-Based Multi-Scale Image Rescaling

• arxiv url: http://arxiv.org/abs/2412.11468v1
• Date: Mon, 16 Dec 2024 06:03:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:55:17.297875
• Title: Block-Based Multi-Scale Image Rescaling
• Title（参考訳）: ブロックベースマルチスケールイメージ再スケーリング
• Authors: Jian Li, Siwang Zhou,
• Abstract要約: 画像再スケーリング(IR)は、高分解能(HR)画像の最適な低分解能表現を決定し、高品質の超解像(SR)画像を再構成する。 従来の画像再スケーリング手法は、画像の異なる部分の様々な情報を無視して、全体的なスケーリング率だけにフォーカスするため、しばしば不足する。 本稿では,Block-based Multi-Scale Image Rescaling Framework (BBMR)を提案する。
• 参考スコア（独自算出の注目度）: 7.57129147865564
• License:
• Abstract: Image rescaling (IR) seeks to determine the optimal low-resolution (LR) representation of a high-resolution (HR) image to reconstruct a high-quality super-resolution (SR) image. Typically, HR images with resolutions exceeding 2K possess rich information that is unevenly distributed across the image. Traditional image rescaling methods often fall short because they focus solely on the overall scaling rate, ignoring the varying amounts of information in different parts of the image. To address this limitation, we propose a Block-Based Multi-Scale Image Rescaling Framework (BBMR), tailored for IR tasks involving HR images of 2K resolution and higher. BBMR consists of two main components: the Downscaling Module and the Upscaling Module. In the Downscaling Module, the HR image is segmented into sub-blocks of equal size, with each sub-block receiving a dynamically allocated scaling rate while maintaining a constant overall scaling rate. For the Upscaling Module, we introduce the Joint Super-Resolution method (JointSR), which performs SR on these sub-blocks with varying scaling rates and effectively eliminates blocking artifacts. Experimental results demonstrate that BBMR significantly enhances the SR image quality on the of 2K and 4K test dataset compared to initial network image rescaling methods.
• Abstract（参考訳）: 画像再スケーリング(IR)は、高分解能(HR)画像の最適な低分解能(LR)表現を決定し、高品質の超解像(SR)画像を再構成する。 通常、解像度が2Kを超えるHR画像は、画像全体に不均一に分散される豊富な情報を持っている。 従来の画像再スケーリング手法は、画像の異なる部分の様々な情報を無視して、全体的なスケーリング率だけにフォーカスするため、しばしば不足する。 この制限に対処するために,2K解像度以上のHR画像を含むIRタスクに適したBlock-based Multi-Scale Image Rescaling Framework (BBMR)を提案する。 BBMRはDownscaling ModuleとUpscaling Moduleの2つの主要コンポーネントで構成されている。 ダウンスケーリングモジュールでは、HR画像を同じ大きさのサブブロックに分割し、各サブブロックは、一定の全体的なスケーリング率を維持しながら、動的に割り当てられたスケーリングレートを受信する。 Upscaling Moduleでは,これらのサブブロック上でSRを実行するJoint Super-Resolution Method (JointSR)を導入し,ブロッキングアーティファクトを効果的に除去する。 実験により,BBMRは2Kおよび4KテストデータセットのSR画像品質を初期ネットワーク画像再スケーリング法と比較して有意に向上させることが示された。

関連論文リスト

• Efficient Model Agnostic Approach for Implicit Neural Representation Based Arbitrary-Scale Image Super-Resolution [5.704360536038803]
  単一の画像超解像(SISR)は、主に深層畳み込みネットワークによって大きく進歩した。 従来のネットワークは、画像を一定のスケールにスケールアップすることに限定されており、任意のスケールのイメージを生成するために暗黙の神経機能を利用することになる。 我々は,任意のスケールで超解像を実現する,新しい,効率的なフレームワークであるMixture of Experts Implicit Super-Resolution(MoEISR)を導入する。
  論文  参考訳（メタデータ） (2023-11-20T05:34:36Z)
• Learning Many-to-Many Mapping for Unpaired Real-World Image Super-resolution and Downscaling [60.80788144261183]
  実世界のLR画像とHR画像の双方向多対多マッピングを教師なしで同時に学習するSDFlowと呼ばれる画像ダウンスケーリングとSRモデルを提案する。 実世界の画像SRデータセットによる実験結果から,SDFlowは定量的かつ定性的に,多様な現実的なLRとSRの画像を生成可能であることが示唆された。
  論文  参考訳（メタデータ） (2023-10-08T01:48:34Z)
• Learning Resolution-Adaptive Representations for Cross-Resolution Person Re-Identification [49.57112924976762]
  低解像度(LR)クエリIDイメージと高解像度(HR)ギャラリーイメージとの整合性を実現する。 実際のカメラとの違いにより、クエリ画像が分解能の低下に悩まされることがしばしばあるため、これは困難かつ実用的な問題である。 本稿では,問合せ画像の解像度に適応する動的計量を用いて,HRとLRの画像を直接比較するためのSRフリーなパラダイムについて検討する。
  論文  参考訳（メタデータ） (2022-07-09T03:49:51Z)
• 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)
• Memory-augmented Deep Unfolding Network for Guided Image Super-resolution [67.83489239124557]
  誘導画像超解像(GISR)は、HR画像の誘導の下で低解像度(LR)目標画像の空間分解能を高めて高解像度(HR)目標画像を得る。 従来のモデルベース手法は主に画像全体を取り、HR目標画像とHRガイダンス画像との事前分布を仮定する。 HR目標画像上で2種類の事前性を持つGISRの最大後部(MAP)推定モデルを提案する。
  論文  参考訳（メタデータ） (2022-02-12T15:37:13Z)
• Scale-arbitrary Invertible Image Downscaling [17.67415618760949]
  本稿では,任意のスケールファクタを持つHR画像のダウンスケールを実現するために,AIDN(Scale-Arbitrary Invertible Image Downscaling Network)を提案する。 我々のAIDNは、任意の整数と非整数のスケールファクタの両方で、可逆的なダウンスケーリングの最高性能を達成する。
  論文  参考訳（メタデータ） (2022-01-29T12:27:52Z)
• Hierarchical Conditional Flow: A Unified Framework for Image Super-Resolution and Image Rescaling [139.25215100378284]
  画像SRと画像再スケーリングのための統合フレームワークとして階層的条件フロー(HCFlow)を提案する。 HCFlowは、LR画像と残りの高周波成分の分布を同時にモデル化することにより、HRとLR画像ペア間のマッピングを学習する。 さらに性能を高めるために、知覚的損失やGAN損失などの他の損失と、トレーニングで一般的に使用される負の対数類似損失とを組み合わせる。
  論文  参考訳（メタデータ） (2021-08-11T16:11:01Z)
• SRR-Net: A Super-Resolution-Involved Reconstruction Method for High Resolution MR Imaging [7.42807471627113]
  提案するsrr-netは、視覚品質と知覚品質の両方の高分解能脳画像を復元することができる。 In-vivo HR Multi-coil 脳データを用いた実験の結果,提案したSRR-Netは高分解能脳画像の復元が可能であることが示唆された。
  論文  参考訳（メタデータ） (2021-04-13T02:19:12Z)
• DDet: Dual-path Dynamic Enhancement Network for Real-World Image Super-Resolution [69.2432352477966]
  実画像超解像(Real-SR)は、実世界の高分解能画像(HR)と低分解能画像(LR)の関係に焦点を当てている。 本稿では,Real-SRのためのデュアルパス動的拡張ネットワーク(DDet)を提案する。 特徴表現のための大規模な畳み込みブロックを積み重ねる従来の手法とは異なり、非一貫性のある画像対を研究するためのコンテンツ認識フレームワークを導入する。
  論文  参考訳（メタデータ） (2020-02-25T18:24:51Z)

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。