論文の概要: Progressive Focused Transformer for Single Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2503.20337v1
• Date: Wed, 26 Mar 2025 09:02:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-27 13:20:26.963565
• Title: Progressive Focused Transformer for Single Image Super-Resolution
• Title（参考訳）: 単一画像超解像のためのプログレッシブフォーカス変換器
• Authors: Wei Long, Xingyu Zhou, Leheng Zhang, Shuhang Gu,
• Abstract要約: 本稿では、PFA(Progressive Focused Attention)を通してネットワーク内のすべての孤立した注意マップをリンクして、最も重要なトークンに注意を向ける、新規で効果的なProgressive Focused Transformer(PFT)を提案する。 PFAは、ネットワークがより重要な類似した特徴をキャプチャできるだけでなく、類似性を計算する前に無関係な特徴をフィルタリングすることで、ネットワーク全体の計算コストを大幅に削減する。
• 参考スコア（独自算出の注目度）: 21.301520456058544
• License:
• Abstract: Transformer-based methods have achieved remarkable results in image super-resolution tasks because they can capture non-local dependencies in low-quality input images. However, this feature-intensive modeling approach is computationally expensive because it calculates the similarities between numerous features that are irrelevant to the query features when obtaining attention weights. These unnecessary similarity calculations not only degrade the reconstruction performance but also introduce significant computational overhead. How to accurately identify the features that are important to the current query features and avoid similarity calculations between irrelevant features remains an urgent problem. To address this issue, we propose a novel and effective Progressive Focused Transformer (PFT) that links all isolated attention maps in the network through Progressive Focused Attention (PFA) to focus attention on the most important tokens. PFA not only enables the network to capture more critical similar features, but also significantly reduces the computational cost of the overall network by filtering out irrelevant features before calculating similarities. Extensive experiments demonstrate the effectiveness of the proposed method, achieving state-of-the-art performance on various single image super-resolution benchmarks.
• Abstract（参考訳）: トランスフォーマーに基づく手法は、低品質の入力画像における非局所的な依存関係をキャプチャできるため、画像超解像タスクにおいて顕著な結果を得た。 しかし、この特徴集中型モデリング手法は、注意重み付けを行う際に、クエリー特徴と無関係な多数の特徴の類似性を計算するため、計算に費用がかかる。 これらの不要な類似性計算は、再構成性能を低下させるだけでなく、計算オーバーヘッドも大きく引き起こす。 現在のクエリ機能で重要な機能を正確に識別し、無関係な機能間の類似性計算を避ける方法は、依然として緊急の問題である。 この問題に対処するために,PFA(Progressive Focused Attention)を介してネットワーク内のすべての孤立した注意マップをリンクし,最も重要なトークンに注意を向ける,新規で効果的なプログレッシブ・フォーカス・トランスフォーマー(PFT)を提案する。 PFAは、ネットワークがより重要な類似機能をキャプチャできるだけでなく、類似性を計算する前に無関係な特徴をフィルタリングすることで、ネットワーク全体の計算コストを大幅に削減する。 広汎な実験により提案手法の有効性を実証し, 種々の単一画像超解像ベンチマークにおける最先端性能を実現する。

関連論文リスト

• DAPE V2: Process Attention Score as Feature Map for Length Extrapolation [63.87956583202729]
  我々は特徴写像としての注意を概念化し、コンピュータビジョンにおける処理方法を模倣するために畳み込み演算子を適用した。 様々な注意関係のモデルに適応できる新しい洞察は、現在のTransformerアーキテクチャがさらなる進化の可能性があることを示している。
  論文  参考訳（メタデータ） (2024-10-07T07:21:49Z)
• Affine-based Deformable Attention and Selective Fusion for Semi-dense Matching [30.272791354494373]
  モデル断面変形に対するアフィン系局所的注意を導入する。 また、クロスアテンションからローカルメッセージとグローバルメッセージをマージするための選択的融合も提示する。
  論文  参考訳（メタデータ） (2024-05-22T17:57:37Z)
• Transforming Image Super-Resolution: A ConvFormer-based Efficient Approach [58.57026686186709]
  本稿では, Convolutional Transformer Layer (ConvFormer) を導入し, ConvFormer-based Super-Resolution Network (CFSR) を提案する。 CFSRは畳み込みベースのアプローチとトランスフォーマーベースのアプローチの両方の利点を継承する。 CFSRは計算コストと性能のバランスが最適であることを示す実験である。
  論文  参考訳（メタデータ） (2024-01-11T03:08:00Z)
• PRISTA-Net: Deep Iterative Shrinkage Thresholding Network for Coded Diffraction Patterns Phase Retrieval [6.982256124089]
  位相検索は、計算画像および画像処理における非線型逆問題である。 我々は,1次反復しきい値しきい値アルゴリズム(ISTA)に基づく深層展開ネットワークであるPRISTA-Netを開発した。 非線形変換,しきい値,ステップサイズなど,提案するPRISTA-Netフレームワークのパラメータはすべて,設定されるのではなく,エンドツーエンドで学習される。
  論文  参考訳（メタデータ） (2023-09-08T07:37:15Z)
• Learning Image Deraining Transformer Network with Dynamic Dual Self-Attention [46.11162082219387]
  本稿では,動的二重自己アテンション(DDSA)を用いた画像デコライニング変換器を提案する。 具体的には、トップk近似計算に基づいて、最も有用な類似度値のみを選択し、スパースアテンションを実現する。 また,高品質な定位結果を得るためのより正確な表現を実現するために,新しい空間拡張フィードフォワードネットワーク(SEFN)を開発した。
  論文  参考訳（メタデータ） (2023-08-15T13:59:47Z)
• Learning Feature Matching via Matchable Keypoint-Assisted Graph Neural Network [52.29330138835208]
  画像のペア間の局所的な特徴の正確なマッチングは、コンピュータビジョンの課題である。 従来の研究では、注意に基づくグラフニューラルネットワーク(GNN)と、画像内のキーポイントに完全に接続されたグラフを使用するのが一般的だった。 本稿では,非繰り返しキーポイントをバイパスし,マッチング可能なキーポイントを利用してメッセージパッシングを誘導する,疎注意に基づくGNNアーキテクチャであるMaKeGNNを提案する。
  論文  参考訳（メタデータ） (2023-07-04T02:50:44Z)
• Learning A Sparse Transformer Network for Effective Image Deraining [42.01684644627124]
  有効デレインネットワークであるスパーストランス(DRSformer)を提案する。 学習可能なトップk選択演算子を開発し、各クエリのキーから最も重要な注意点を適応的に保持し、より優れた機能アグリゲーションを実現する。 我々は,協調改良デライン方式を示すために,専門家による特徴補償器を混合したモデルを開発した。
  論文  参考訳（メタデータ） (2023-03-21T15:41:57Z)
• Skip-Attention: Improving Vision Transformers by Paying Less Attention [55.47058516775423]
  視覚計算変換器(ViT)は、すべての層で高価な自己注意操作を使用する。 また,SkipAtを提案する。SkipAtは,先行層から自己注意を再利用して1層以上の注意を近似する手法である。 本稿では,画像の分類と自己教師型学習,ADE20Kのセマンティックセグメンテーション,SIDDの画像デノイング,DAVISのビデオデノナイズにおける手法の有効性を示す。
  論文  参考訳（メタデータ） (2023-01-05T18:59:52Z)
• 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)

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。