論文の概要: Enhancing Image Restoration through Learning Context-Rich and Detail-Accurate Features

• arxiv url: http://arxiv.org/abs/2504.10558v1
• Date: Mon, 14 Apr 2025 14:46:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:10:13.852396
• Title: Enhancing Image Restoration through Learning Context-Rich and Detail-Accurate Features
• Title（参考訳）: コンテキストリッチと詳細特徴の学習による画像復元の促進
• Authors: Hu Gao, Depeng Dang,
• Abstract要約: 本稿では,空間領域と周波数領域の知識をシームレスに統合し,競合する目的を最適にバランスさせるマルチスケール設計を提案する。 具体的には、空間領域からのマルチスケール情報をキャプチャするだけでなく、周波数領域における画像復元のための最も有用なコンポーネントを選択するハイブリッドスケール周波数選択ブロック(HSFSBlock)を開発する。 我々のモデルは、最先端のアルゴリズムに匹敵するパフォーマンスレベルを達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Image restoration involves recovering high-quality images from their corrupted versions, requiring a nuanced balance between spatial details and contextual information. While certain methods address this balance, they predominantly emphasize spatial aspects, neglecting frequency variation comprehension. In this paper, we present a multi-scale design that optimally balances these competing objectives, seamlessly integrating spatial and frequency domain knowledge to selectively recover the most informative information. Specifically, we develop a hybrid scale frequency selection block (HSFSBlock), which not only captures multi-scale information from the spatial domain, but also selects the most informative components for image restoration in the frequency domain. Furthermore, to mitigate the inherent noise introduced by skip connections employing only addition or concatenation, we introduce a skip connection attention mechanism (SCAM) to selectively determines the information that should propagate through skip connections. The resulting tightly interlinked architecture, named as LCDNet. Extensive experiments conducted across diverse image restoration tasks showcase that our model attains performance levels that are either superior or comparable to those of state-of-the-art algorithms.
• Abstract（参考訳）: 画像復元は、劣化したバージョンから高品質なイメージを復元することを含み、空間の詳細と文脈情報の微妙なバランスを必要とする。 このバランスに対処する手法はあるが、それらは主に空間的側面を強調し、周波数変動の理解を無視している。 本稿では、これらの競合する目的を最適にバランスさせ、空間および周波数領域の知識をシームレスに統合し、最も情報性の高い情報を選択的に回収するマルチスケール設計を提案する。 具体的には、空間領域からのマルチスケール情報をキャプチャするだけでなく、周波数領域における画像復元のための最も有用なコンポーネントを選択するハイブリッドスケール周波数選択ブロック(HSFSBlock)を開発する。 さらに、追加や連結のみを用いたスキップ接続による固有のノイズを軽減するため、スキップ接続を介して伝播すべき情報を選択的に決定するスキップ接続注意機構(SCAM)を導入する。 その結果、LCDNetという名称の密接な相互接続アーキテクチャが誕生した。 多様な画像復元タスクにまたがる大規模な実験により、我々のモデルは最先端のアルゴリズムに匹敵する性能のレベルに達することを示した。

関連論文リスト

• Exploring Richer and More Accurate Information via Frequency Selection for Image Restoration [0.0]
  空間および周波数領域の知識をシームレスに統合するマルチスケール周波数選択ネットワーク(MSFSNet)を導入する。 我々のMSFSNetは最先端のアルゴリズムに匹敵する性能を達成する。
  論文  参考訳（メタデータ） (2024-07-12T03:10:08Z)
• A Mountain-Shaped Single-Stage Network for Accurate Image Restoration [9.431709365739462]
  画像復元においては、通常、空間的詳細と文脈情報の複雑なバランスを維持する必要がある。 不要な非線形活性化関数を除去または置換する,単純なU-Netアーキテクチャに基づく単一ステージ設計ベースを提案する。 我々のアプローチはM3SNetと呼ばれ、従来の最先端モデルよりも性能が優れており、計算コストの半分以下である。
  論文  参考訳（メタデータ） (2023-05-09T03:18:35Z)
• Mixed Hierarchy Network for Image Restoration [0.0]
  画像復元における品質とシステムの複雑さのバランスをとることができる混合階層ネットワークを提案する。 我々のモデルはまずエンコーダ・デコーダアーキテクチャを用いて文脈情報を学習し,次に空間的詳細を保存する高分解能分岐と組み合わせる。 その結果、MHNetという名前の密接な相互接続階層アーキテクチャは、いくつかのイメージ復元タスクにおいて、強力なパフォーマンス向上をもたらす。
  論文  参考訳（メタデータ） (2023-02-19T12:18:45Z)
• Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image Denoising [50.039949798156826]
  本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。 ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。 次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
  論文  参考訳（メタデータ） (2022-07-09T13:35:12Z)
• 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)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• Multi-Stage Progressive Image Restoration [167.6852235432918]
  本稿では、これらの競合する目標を最適にバランスできる新しい相乗的設計を提案する。 本提案では, 劣化した入力の復元関数を段階的に学習する多段階アーキテクチャを提案する。 MPRNetという名前の密接な相互接続型マルチステージアーキテクチャは、10のデータセットに対して強力なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2021-02-04T18:57:07Z)
• 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)
• 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。