論文の概要: ORL-LDM: Offline Reinforcement Learning Guided Latent Diffusion Model Super-Resolution Reconstruction
- arxiv url: http://arxiv.org/abs/2505.10027v1
- Date: Thu, 15 May 2025 07:17:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-16 22:29:06.21459
- Title: ORL-LDM: Offline Reinforcement Learning Guided Latent Diffusion Model Super-Resolution Reconstruction
- Title（参考訳）: ORL-LDM: オフライン強化学習ガイド付き潜伏拡散モデル超解像再構成
- Authors: Shijie Lyu,
- Abstract要約: 本稿では、リモートセンシング画像超解像のための強化学習に基づく潜時拡散モデル(LDM)の微調整法を提案する。
RESISC45データセットの実験では、PSNR、SSIM、LPIPSのベースラインモデルよりも大幅に改善されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the rapid advancement of remote sensing technology, super-resolution image reconstruction is of great research and practical significance. Existing deep learning methods have made progress but still face limitations in handling complex scenes and preserving image details. This paper proposes a reinforcement learning-based latent diffusion model (LDM) fine-tuning method for remote sensing image super-resolution. The method constructs a reinforcement learning environment with states, actions, and rewards, optimizing decision objectives through proximal policy optimization (PPO) during the reverse denoising process of the LDM model. Experiments on the RESISC45 dataset show significant improvements over the baseline model in PSNR, SSIM, and LPIPS, with PSNR increasing by 3-4dB, SSIM improving by 0.08-0.11, and LPIPS reducing by 0.06-0.10, particularly in structured and complex natural scenes. The results demonstrate the method's effectiveness in enhancing super-resolution quality and adaptability across scenes.
- Abstract（参考訳）: リモートセンシング技術の急速な進歩により、超高解像度画像再構成は大きな研究と実用的重要性を持つ。
既存のディープラーニング手法は進歩しているが、複雑なシーンの処理や画像の保存にはまだ限界がある。
本稿では、リモートセンシング画像超解像のための強化学習に基づく潜時拡散モデル(LDM)の微調整法を提案する。
本手法は, LDMモデルの逆復調過程におけるPPOによる意思決定目標を最適化し, 状態, 行動, 報奨による強化学習環境を構築する。
RESISC45データセットの実験では、PSNR、SSIM、LPIPSのベースラインモデルよりも大幅に改善され、PSNRは3.4dB、SSIMは0.08-0.11、LPIPSは0.06-0.10で改善された。
その結果,シーン間の超高分解能品質と適応性を向上する手法の有効性が示された。
関連論文リスト
- Uncertainty-guided Perturbation for Image Super-Resolution Diffusion Model [16.730439731479247]
拡散に基づく画像超解像法は、GANベースの手法よりも大きな優位性を示している。
私たちは、長いマルコフ連鎖の上に構築し、現実世界のシナリオで優れたパフォーマンスを実現できるようにします。
本研究では、地域固有の騒音レベル制御を誘導する不確かさ誘導雑音重み付けについて、その手法を不確かさ誘導雑音重み付けと呼ぶ。
論文 参考訳（メタデータ） (2025-03-24T10:07:16Z) - A Single-Frame and Multi-Frame Cascaded Image Super-Resolution Method [22.91510009724401]
現実の世界では、補間情報が限られているため、倍率の増加に伴い、シングルフレームとマルチフレームの超解像再構成の性能は急速に低下する。
マルチフレーム超解像と単一フレーム超解像を結合した2段階画像超解像法を提案する。
提案手法は,主観的および知覚的品質測定において優れた性能を示す。
論文 参考訳（メタデータ） (2024-12-13T04:29:08Z) - Learning Efficient and Effective Trajectories for Differential Equation-based Image Restoration [59.744840744491945]
我々は, この手法の軌道最適化を再構築し, 復元品質と効率の両立に焦点をあてる。
本稿では,複雑な経路を適応可能なサイズで複数の管理可能なステップに合理化するためのコスト対応トラジェクトリー蒸留法を提案する。
実験では提案手法の有意な優位性を示し, 最先端手法よりも最大2.1dBのPSNR改善を実現した。
論文 参考訳（メタデータ） (2024-10-07T07:46:08Z) - PNR: Physics-informed Neural Representation for high-resolution LFM reconstruction [16.475992284654033]
本稿では,高分解能LFM再構成法であるPNR(Physics-informed Neural Representation)を提案する。
提案手法は教師なしかつ明示的な特徴表現手法を取り入れ,PSNRがRTDよりも6.1dB向上した。
コードとデータセットは公開されます。
論文 参考訳（メタデータ） (2024-09-26T19:02:51Z) - Degradation-Guided One-Step Image Super-Resolution with Diffusion Priors [75.24313405671433]
拡散に基づく画像超解像法 (SR) は、事前訓練された大規模なテキスト・画像拡散モデルを先行として活用することにより、顕著な成功を収めた。
本稿では,拡散型SR手法の効率問題に対処する新しい一段階SRモデルを提案する。
既存の微調整戦略とは異なり、SR専用の劣化誘導低ランク適応 (LoRA) モジュールを設計した。
論文 参考訳（メタデータ） (2024-09-25T16:15:21Z) - Learning from Multi-Perception Features for Real-Word Image
Super-resolution [87.71135803794519]
入力画像の複数の知覚的特徴を利用する新しいSR手法MPF-Netを提案する。
本稿では,MPFEモジュールを組み込んで,多様な知覚情報を抽出する手法を提案する。
また、モデルの学習能力を向上する対照的な正規化項(CR)も導入する。
論文 参考訳（メタデータ） (2023-05-26T07:35:49Z) - Implicit Diffusion Models for Continuous Super-Resolution [65.45848137914592]
本稿では,高忠実度連続画像超解像のためのインプリシティ拡散モデル(IDM)を提案する。
IDMは暗黙のニューラル表現とデノナイジング拡散モデルを統合されたエンドツーエンドフレームワークに統合する。
スケーリング係数は分解能を調節し、最終出力におけるLR情報と生成された特徴の比率を変調する。
論文 参考訳（メタデータ） (2023-03-29T07:02:20Z) - Real-World Image Super-Resolution by Exclusionary Dual-Learning [98.36096041099906]
実世界の画像超解像は,高品質な画像を得るための実用的な画像復元問題である。
深層学習に基づく手法は、現実世界の超解像データセットの復元に期待できる品質を実現している。
本稿では,RWSR-EDL(Real-World Image Super-Resolution by Exclusionary Dual-Learning)を提案する。
論文 参考訳（メタデータ） (2022-06-06T13:28:15Z) - Deep Iterative Residual Convolutional Network for Single Image
Super-Resolution [31.934084942626257]
我々は、ISRResCNet(Deep Iterative Super-Resolution Residual Convolutional Network)を提案する。
残差学習アプローチを用いて、深層ネットワークを反復的に訓練することにより、強力な画像正規化と大規模最適化手法を活用する。
トレーニング可能なパラメータがいくつかある本手法は,最先端の手法と比較して,異なるスケーリング要因に対する結果を改善する。
論文 参考訳（メタデータ） (2020-09-07T12:54:14Z)
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。