論文の概要: Multi-level Attention-guided Graph Neural Network for Image Restoration

• arxiv url: http://arxiv.org/abs/2502.19181v1
• Date: Wed, 26 Feb 2025 14:35:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-27 14:56:34.230753
• Title: Multi-level Attention-guided Graph Neural Network for Image Restoration
• Title（参考訳）: 画像復元のための多レベル注意誘導グラフニューラルネットワーク
• Authors: Jiatao Jiang, Zhen Cui, Chunyan Xu, Jian Yang,
• Abstract要約: 画像復元タスクでは、画像の局所的な特徴は不十分であり、それらを補完するためにグローバルな特徴の統合が必要である。 本稿では,多レベル注意誘導グラフニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 36.15965602713185
• License:
• Abstract: In recent years, deep learning has achieved remarkable success in the field of image restoration. However, most convolutional neural network-based methods typically focus on a single scale, neglecting the incorporation of multi-scale information. In image restoration tasks, local features of an image are often insufficient, necessitating the integration of global features to complement them. Although recent neural network algorithms have made significant strides in feature extraction, many models do not explicitly model global features or consider the relationship between global and local features. This paper proposes multi-level attention-guided graph neural network. The proposed network explicitly constructs element block graphs and element graphs within feature maps using multi-attention mechanisms to extract both local structural features and global representation information of the image. Since the network struggles to effectively extract global information during image degradation, the structural information of local feature blocks can be used to correct and supplement the global information. Similarly, when element block information in the feature map is missing, it can be refined using global element representation information. The graph within the network learns real-time dynamic connections through the multi-attention mechanism, and information is propagated and aggregated via graph convolution algorithms. By combining local element block information and global element representation information from the feature map, the algorithm can more effectively restore missing information in the image. Experimental results on several classic image restoration tasks demonstrate the effectiveness of the proposed method, achieving state-of-the-art performance.
• Abstract（参考訳）: 近年,深層学習は画像修復の分野で大きな成功を収めている。 しかしながら、ほとんどの畳み込みニューラルネットワークベースの手法は、通常、単一のスケールに焦点を合わせ、マルチスケール情報の組み入れを無視している。 画像復元タスクでは、画像の局所的な特徴は不十分であり、それらを補完するためにグローバルな特徴の統合が必要である。 最近のニューラルネットワークアルゴリズムは、特徴抽出において大きな進歩を遂げているが、多くのモデルは、グローバルな特徴を明示的にモデル化したり、グローバルな特徴とローカルな特徴の関係を考慮しない。 本稿では,多レベル注意誘導グラフニューラルネットワークを提案する。 提案するネットワークは,特徴マップ内の要素ブロックグラフと要素グラフをマルチアテンション機構を用いて明示的に構築し,画像の局所的特徴と大域的表現情報の両方を抽出する。 ネットワークは画像劣化時にグローバル情報を効果的に抽出するのに苦労するため、局所的な特徴ブロックの構造情報を用いてグローバル情報の修正と補足を行うことができる。 同様に、特徴写像の要素ブロック情報が欠落している場合には、グローバルな要素表現情報を用いて洗練することができる。 ネットワーク内のグラフは,マルチアテンション機構を通じてリアルタイムな動的接続を学習し,グラフ畳み込みアルゴリズムを用いて情報を伝播・集約する。 特徴マップからローカル要素ブロック情報とグローバル要素表現情報を組み合わせることにより、画像中の欠落情報をより効果的に復元することができる。 いくつかの古典的画像復元作業における実験結果から,提案手法の有効性が実証され,最先端の性能が達成された。

関連論文リスト

• Bridging Local Details and Global Context in Text-Attributed Graphs [62.522550655068336]
  GraphBridgeは、コンテキストテキスト情報を活用することで、ローカルおよびグローバルな視点をブリッジするフレームワークである。 提案手法は最先端性能を実現し,グラフ対応トークン削減モジュールは効率を大幅に向上し,スケーラビリティの問題を解消する。
  論文  参考訳（メタデータ） (2024-06-18T13:35:25Z)
• Unleashing the Power of Depth and Pose Estimation Neural Networks by Designing Compatible Endoscopic Images [12.412060445862842]
  内視鏡画像の特性を詳細に解析し、画像とニューラルネットワークの互換性を改善する。 まず,完全な画像情報の代わりに部分的な画像情報を入力するMask Image Modelling (MIM) モジュールを導入する。 第2に、画像とニューラルネットワークの互換性を明確に向上させるために、内視鏡画像を強化する軽量ニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-09-14T02:19:38Z)
• 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)
• Attribute Prototype Network for Any-Shot Learning [113.50220968583353]
  属性ローカライズ機能を統合した画像表現は、任意のショット、すなわちゼロショットと少数ショットのイメージ分類タスクに有用である、と我々は主張する。 クラスレベルの属性のみを用いてグローバルな特徴とローカルな特徴を共同で学習する新しい表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-04T02:25:40Z)
• GraphFPN: Graph Feature Pyramid Network for Object Detection [44.481481251032264]
  本稿では,そのトポロジ構造を固有画像構造に適応させることのできるグラフ特徴ピラミッドネットワークを提案する。 提案したグラフ特徴ピラミッドネットワークは,畳み込み特徴ピラミッドネットワークからマルチスケール特徴を拡張できる。 我々は、オブジェクト検出タスクにおいて、より高速なR-CNNアルゴリズムに統合することで、グラフ特徴ピラミッドネットワークを評価する。
  論文  参考訳（メタデータ） (2021-08-02T01:19:38Z)
• GIID-Net: Generalizable Image Inpainting Detection via Neural Architecture Search and Attention [19.599993572921065]
  画像インペイントツールの悪意ある使用により、画像データの信頼性に対する脅威が増大した。 偽造防止のために,giid-net(end-to-end generalizable image inpainting detection network)を提案する。 提案するgiid-netは,拡張ブロック,抽出ブロック,決定ブロックの3つのサブブロックからなる。
  論文  参考訳（メタデータ） (2021-01-19T02:29:40Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)
• 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)
• Dense Residual Network: Enhancing Global Dense Feature Flow for Character Recognition [75.4027660840568]
  本稿では,すべての畳み込み層から階層的特徴をフルに活用することにより,局所的・大域的特徴フローを改善する方法について検討する。 技術的には、テキスト認識のための効率的で効果的なCNNフレームワークであるFDRN(Fast Dense Residual Network)を提案する。
  論文  参考訳（メタデータ） (2020-01-23T06:55:08Z)

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。