論文の概要: From Zero to Detail: Deconstructing Ultra-High-Definition Image Restoration from Progressive Spectral Perspective

• arxiv url: http://arxiv.org/abs/2503.13165v1
• Date: Mon, 17 Mar 2025 13:39:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:30:10.682000
• Title: From Zero to Detail: Deconstructing Ultra-High-Definition Image Restoration from Progressive Spectral Perspective
• Title（参考訳）: ゼロから詳細へ:プログレッシブスペクトルから見た超高精細画像復元
• Authors: Chen Zhao, Zhizhou Chen, Yunzhe Xu, Enxuan Gu, Jian Li, Zili Yi, Qian Wang, Jian Yang, Ying Tai,
• Abstract要約: ERRは、ゼロ周波増幅器(ZFE)、低周波復元器(LFR)、高周波精製器(HFR)の3つの共同サブネットワークからなる。 具体的には、ZFEはグローバルな事前情報を統合してグローバルマッピングを学習し、LFRは低周波情報を復元し、粗い内容の再構成を強調する。 HFRは、我々の設計した周波数窓付きコルモゴロフアーノルドネットワーク(FW-KAN)を用いてテクスチャやディテールを洗練し、高品質な画像復元を実現している。
• 参考スコア（独自算出の注目度）: 38.94762644896294
• License:
• Abstract: Ultra-high-definition (UHD) image restoration faces significant challenges due to its high resolution, complex content, and intricate details. To cope with these challenges, we analyze the restoration process in depth through a progressive spectral perspective, and deconstruct the complex UHD restoration problem into three progressive stages: zero-frequency enhancement, low-frequency restoration, and high-frequency refinement. Building on this insight, we propose a novel framework, ERR, which comprises three collaborative sub-networks: the zero-frequency enhancer (ZFE), the low-frequency restorer (LFR), and the high-frequency refiner (HFR). Specifically, the ZFE integrates global priors to learn global mapping, while the LFR restores low-frequency information, emphasizing reconstruction of coarse-grained content. Finally, the HFR employs our designed frequency-windowed kolmogorov-arnold networks (FW-KAN) to refine textures and details, producing high-quality image restoration. Our approach significantly outperforms previous UHD methods across various tasks, with extensive ablation studies validating the effectiveness of each component. The code is available at \href{https://github.com/NJU-PCALab/ERR}{here}.
• Abstract（参考訳）: 超高精細画像復元(UHD)はその高解像度、複雑な内容、複雑な詳細のために大きな課題に直面している。 これらの課題に対処するため, プログレッシブスペクトルの観点から, 修復過程を深く分析し, 複雑なUHD修復問題を, ゼロ周波数向上, 低周波回復, 高周波改善の3段階に分解した。 この知見に基づいて、ゼロ周波増幅器(ZFE)、低周波復元器(LFR)、高周波精製器(HFR)の3つの協調サブネットワークからなる新しいフレームワークERRを提案する。 具体的には、ZFEはグローバルな事前情報を統合してグローバルマッピングを学習し、LFRは低周波情報を復元し、粗い内容の再構成を強調する。 最後に、HFRは我々の設計した周波数ウィンドウ付きコルモゴロフアーノルドネットワーク(FW-KAN)を用いてテクスチャやディテールを洗練し、高品質な画像復元を行う。 提案手法は, 従来のUHD法よりも高い性能を示し, 各成分の有効性を検証した広範囲なアブレーション研究を行った。 コードは \href{https://github.com/NJU-PCALab/ERR}{here} で公開されている。

関連論文リスト

• Plug-and-Play Tri-Branch Invertible Block for Image Rescaling [11.457556028893329]
  高分解能(HR)画像は通常、帯域幅を減らすために低分解能(LR)にダウンスケールされ、続いて元の細部をアップスケールして復元する。 画像再スケーリングアルゴリズムの最近の進歩は、ダウンスケーリングとアップスケーリングのための統一されたフレームワークを作成するために、非可逆ニューラルネットワーク(INN)を使用している。 本稿では、低周波分岐を輝度(Y)と輝度(CbCr)に分解するプラグアンドプレイ三分岐可逆ブロック(T-InvBlocks)を提案する。
  論文  参考訳（メタデータ） (2024-12-18T05:14:13Z)
• HFGS: 4D Gaussian Splatting with Emphasis on Spatial and Temporal High-Frequency Components for Endoscopic Scene Reconstruction [13.012536387221669]
  ロボット支援による最小侵襲手術は、手術結果を改善するため、動的シーン再構築の強化による恩恵を受ける。 NeRFはシーン再構成に有効だが、推論速度の遅さとトレーニング期間の長いため適用性が制限されている。 3D Gaussian Splatting (3D-GS) ベースの手法が最近のトレンドとして現れ、高速な推論機能と優れた3D品質を提供する。 本稿では,空間的および時間的周波数の観点からこれらの課題に対処する,変形可能な内視鏡再構成のための新しいアプローチであるHFGSを提案する。
  論文  参考訳（メタデータ） (2024-05-28T06:48:02Z)
• RaFE: Generative Radiance Fields Restoration [38.602849644666165]
  NeRF(Neural Radiance Fields)は、新しいビュー合成と3次元再構成において大きな可能性を証明している。 従来のNeRF修復法は、回復の一般性を無視して、特定の劣化タイプに合わせて調整されている。 本稿では,様々な種類の劣化に対して適用可能な一般放射場復元パイプラインであるRaFEを提案する。
  論文  参考訳（メタデータ） (2024-04-04T17:59:50Z)
• NeRF-VPT: Learning Novel View Representations with Neural Radiance Fields via View Prompt Tuning [63.39461847093663]
  本研究では,これらの課題に対処するための新しいビュー合成手法であるNeRF-VPTを提案する。 提案するNeRF-VPTは、先行レンダリング結果から得られたRGB情報を、その後のレンダリングステージのインストラクティブな視覚的プロンプトとして機能するカスケーディングビュープロンプトチューニングパラダイムを用いている。 NeRF-VPTは、追加のガイダンスや複雑なテクニックに頼ることなく、トレーニングステージ毎に前のステージレンダリングからRGBデータをサンプリングするだけである。
  論文  参考訳（メタデータ） (2024-03-02T22:08:10Z)
• VQ-NeRF: Vector Quantization Enhances Implicit Neural Representations [25.88881764546414]
  VQ-NeRFは、ベクトル量子化による暗黙の神経表現を強化するための効率的なパイプラインである。 圧縮および原スケールの両スケールでNeRFモデルを同時に最適化する,革新的なマルチスケールNeRFサンプリング方式を提案する。 我々は3次元再構成の幾何学的忠実度とセマンティックコヒーレンスを改善するためにセマンティックロス関数を組み込んだ。
  論文  参考訳（メタデータ） (2023-10-23T01:41:38Z)
• A High-Frequency Focused Network for Lightweight Single Image Super-Resolution [16.264904771818507]
  高周波の詳細は低周波情報よりも再構成が難しい。 ほとんどのSISRモデルは、低周波および高周波情報に等しい計算資源を割り当てる。 高周波情報を選択的に強化するHFFN(High-Frequency Focused Network)を提案する。
  論文  参考訳（メタデータ） (2023-03-21T09:41:13Z)
• VolRecon: Volume Rendering of Signed Ray Distance Functions for Generalizable Multi-View Reconstruction [64.09702079593372]
  VolRecon は Signed Ray Distance Function (SRDF) を用いた新しい一般化可能な暗黙的再構成法である DTUデータセットでは、VolReconはスパースビュー再構築においてSparseNeuSを約30%上回り、フルビュー再構築においてMVSNetと同等の精度を達成する。
  論文  参考訳（メタデータ） (2022-12-15T18:59:54Z)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• Non-local Meets Global: An Iterative Paradigm for Hyperspectral Image Restoration [66.68541690283068]
  ハイパースペクトル画像復元のための空間特性とスペクトル特性を組み合わせた統一パラダイムを提案する。 提案するパラダイムは,非局所空間デノゲーションと光計算の複雑さから,性能上の優位性を享受する。 HSI復調、圧縮再構成、塗装タスクの実験は、シミュレーションと実際のデータセットの両方で、その優位性を示している。
  論文  参考訳（メタデータ） (2020-10-24T15:53:56Z)
• Hyperspectral Image Super-resolution via Deep Progressive Zero-centric Residual Learning [62.52242684874278]
  空間情報とスペクトル情報の相互モダリティ分布が問題となる。 本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。 本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
  論文  参考訳（メタデータ） (2020-06-18T06:32:11Z)

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。