論文の概要: Super-Resolution with Structured Motion

• arxiv url: http://arxiv.org/abs/2505.15961v1
• Date: Wed, 21 May 2025 19:25:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:47.883127
• Title: Super-Resolution with Structured Motion
• Title（参考訳）: 構造運動による超解像
• Authors: Gabby Litterio, Juan-David Lizarazo-Ferro, Pedro Felzenszwalb, Rashid Zia,
• Abstract要約: 本研究では,高精度な動き情報,スパース画像先行情報,凸最適化を用いることで,大きな要因による解像度向上が可能であることを示す。 擬似ランダム運動を用いることで、単一の低分解能画像を用いて高分解能目標を再構成できることを実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the limits of super-resolution using imaging constraints. Due to various theoretical and practical limitations, reconstruction-based methods have been largely restricted to small increases in resolution. In addition, motion-blur is usually seen as a nuisance that impedes super-resolution. We show that by using high-precision motion information, sparse image priors, and convex optimization, it is possible to increase resolution by large factors. A key operation in super-resolution is deconvolution with a box. In general, convolution with a box is not invertible. However, we obtain perfect reconstructions of sparse signals using convex optimization. We also show that motion blur can be helpful for super-resolution. We demonstrate that using pseudo-random motion it is possible to reconstruct a high-resolution target using a single low-resolution image. We present numerical experiments with simulated data and results with real data captured by a camera mounted on a computer controlled stage.
• Abstract（参考訳）: 撮像制約を用いた超解像の限界について考察する。 様々な理論的・実践的な制限により、再構成に基づく手法は分解能の小さな増加に大きく制限されてきた。 加えて、モーションブルーは通常、超解像を阻害するニュアンスと見なされる。 本研究では,高精度な動き情報,スパース画像先行情報,凸最適化を用いることで,大きな要因による解像度向上が可能であることを示す。 超解像における鍵となる操作は、ボックスとのデコンボリューションである。 一般に、箱との畳み込みは可逆ではない。 しかし、凸最適化を用いてスパース信号の完全再構成が得られる。 また、運動のぼかしが超高解像度化に有効であることを示す。 擬似ランダム運動を用いることで、単一の低分解能画像を用いて高分解能目標を再構成できることを実証する。 シミュレーションデータを用いて数値実験を行い、コンピュータ制御されたステージにカメラを設置して実データを取得する。

関連論文リスト

• Deconvolution with a Box [0.0]
  箱(正方形波)によるデコンボリューションは、ピクセルシフトカメラによる超高分解能の鍵となる操作である。 凸最適化を用いてスパース信号の完全再構成が可能であることを示す。
  論文  参考訳（メタデータ） (2024-07-16T13:02:54Z)
• ScaleCrafter: Tuning-free Higher-Resolution Visual Generation with Diffusion Models [126.35334860896373]
  本研究では,事前学習した拡散モデルから,トレーニング画像サイズよりもはるかに高解像度で画像を生成する能力について検討する。 注意ベースや共同拡散アプローチのような、高分解能な生成のための既存の研究は、これらの問題にうまく対処できない。 本稿では,推論中の畳み込み知覚場を動的に調整できる簡易かつ効果的な再拡張法を提案する。
  論文  参考訳（メタデータ） (2023-10-11T17:52:39Z)
• Towards Interpretable Video Super-Resolution via Alternating Optimization [115.85296325037565]
  低フレームのぼかしビデオから高フレームの高解像度のシャープビデオを生成することを目的とした実時間ビデオ超解法(STVSR)問題について検討する。 本稿では,モデルベースと学習ベースの両方の手法を用いて,解釈可能なSTVSRフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-21T21:34:05Z)
• Deep Model-Based Super-Resolution with Non-uniform Blur [1.7188280334580197]
  非一様ぼかしを持つ超解像の最先端手法を提案する。 まず,線形化ADMM分割手法に基づく高速なプラグアンドプレイアルゴリズムを提案する。 反復アルゴリズムをひとつのネットワークに展開し、エンドツーエンドでトレーニングします。
  論文  参考訳（メタデータ） (2022-04-21T13:57:21Z)
• Any-resolution Training for High-resolution Image Synthesis [55.19874755679901]
  生成モデルは、様々な大きさの自然画像であっても、一定の解像度で動作します。 すべてのピクセルが重要であり、そのネイティブ解像度で収集された可変サイズのイメージを持つデータセットを作成する、と我々は主張する。 ランダムなスケールでパッチをサンプリングし、可変出力解像度で新しいジェネレータを訓練するプロセスである。
  論文  参考訳（メタデータ） (2022-04-14T17:59:31Z)
• Optimal Transport for Super Resolution Applied to Astronomy Imaging [0.0]
  超高分解能アプリケーションに最適なトランスポートとエントロピーを提案する。 空間的ノイズや歪みが十分小さい場合には,再現が正確であることが証明された。 我々は、この手法を、最先端の畳み込みニューラルネットワークの状態と比較し、計算コストを大幅に削減し、方法論的柔軟性を高めるために、同様の結果を得る。
  論文  参考訳（メタデータ） (2022-02-10T22:20:38Z)
• Exploiting Raw Images for Real-Scene Super-Resolution [105.18021110372133]
  本稿では,合成データと実撮影画像とのギャップを埋めるために,実シーンにおける単一画像の超解像化の問題について検討する。 本稿では,デジタルカメラの撮像過程を模倣して,よりリアルなトレーニングデータを生成する手法を提案する。 また、原画像に記録された放射情報を活用するために、2分岐畳み込みニューラルネットワークを開発した。
  論文  参考訳（メタデータ） (2021-02-02T16:10:15Z)
• Blind Image Super-Resolution with Spatial Context Hallucination [5.849485167287474]
  本稿では, 劣化カーネルを知らずに, 視覚的超解像のための空間文脈幻覚ネットワーク(SCHN)を提案する。 DIV2KとFlickr2Kという2つの高品質データセットでモデルをトレーニングします。 入力画像がランダムなぼかしとノイズで劣化した場合, 最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-09-25T22:36:07Z)
• Invertible Image Rescaling [118.2653765756915]
  Invertible Rescaling Net (IRN) を開発した。 我々は、ダウンスケーリングプロセスにおいて、指定された分布に従う潜在変数を用いて、失われた情報の分布をキャプチャする。
  論文  参考訳（メタデータ） (2020-05-12T09:55:53Z)
• PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models [77.32079593577821]
  PULSE (Photo Upsampling via Latent Space Exploration) は、それまで文献になかった解像度で高解像度でリアルな画像を生成する。 本手法は, 従来よりも高分解能, スケールファクターの知覚品質において, 最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-08T16:44:31Z)
• Perceptual Image Super-Resolution with Progressive Adversarial Network [17.289101902846358]
  Single Image Super-Resolution (SISR) は、小型の低画質画像の解像度を1つの画像から改善することを目的としている。 本稿では,現在最先端のアルゴリズムの性能を制限している理由として,次元の呪いを論じる。 本稿では,ドメイン固有画像の超解像化の難しさに対処できるプログレッシブ・アドバイサル・ネットワーク(PAN)を提案する。
  論文  参考訳（メタデータ） (2020-03-08T10:19:34Z)

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。