論文の概要: A Tree-guided CNN for image super-resolution

• arxiv url: http://arxiv.org/abs/2506.02585v1
• Date: Tue, 03 Jun 2025 08:05:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:35.420369
• Title: A Tree-guided CNN for image super-resolution
• Title（参考訳）: 画像超解像のためのツリー誘導CNN
• Authors: Chunwei Tian, Mingjian Song, Xiaopeng Fan, Xiangtao Zheng, Bob Zhang, David Zhang,
• Abstract要約: 画像超解像のためのツリー誘導CNN(TSRNet)を設計する。 ツリーアーキテクチャを使ってディープネットワークを誘導し、キーノードの効果を高め、階層的な情報の関係を増幅する。 得られた構造情報の不足を防止するため、TSRNetのコサイン変換技術を用いて画像超解像の性能を向上させる。
• 参考スコア（独自算出の注目度）: 50.30242741813306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep convolutional neural networks can extract more accurate structural information via deep architectures to obtain good performance in image super-resolution. However, it is not easy to find effect of important layers in a single network architecture to decrease performance of super-resolution. In this paper, we design a tree-guided CNN for image super-resolution (TSRNet). It uses a tree architecture to guide a deep network to enhance effect of key nodes to amplify the relation of hierarchical information for improving the ability of recovering images. To prevent insufficiency of the obtained structural information, cosine transform techniques in the TSRNet are used to extract cross-domain information to improve the performance of image super-resolution. Adaptive Nesterov momentum optimizer (Adan) is applied to optimize parameters to boost effectiveness of training a super-resolution model. Extended experiments can verify superiority of the proposed TSRNet for restoring high-quality images. Its code can be obtained at https://github.com/hellloxiaotian/TSRNet.
• Abstract（参考訳）: ディープ畳み込みニューラルネットワークは、より正確な構造情報をディープアーキテクチャを通して抽出し、画像超解像における優れた性能を得ることができる。 しかし、単一のネットワークアーキテクチャにおいて重要な層が超解像の性能を低下させる効果を見出すのは容易ではない。 本稿では,画像超解像(TSRNet)のためのツリー誘導CNNを設計する。 ツリーアーキテクチャを使用して、深いネットワークをガイドし、キーノードの効果を高め、階層的な情報の関係を増幅し、画像の復元能力を向上させる。 得られた構造情報の不足を防止するため、TSRNetのコサイン変換技術を用いてクロスドメイン情報を抽出し、画像超解像の性能を向上させる。 適応ネステロフ運動量オプティマイザ (Adan) を用いてパラメータを最適化し、超解像モデルのトレーニングの有効性を高める。 拡張実験は、高品質な画像の復元のための提案されたTSRNetの優位性を検証することができる。 そのコードはhttps://github.com/hellloxiaotian/TSRNetで取得できる。

関連論文リスト

• Adaptive Convolutional Neural Network for Image Super-resolution [43.06377001247278]
  画像超解像のための適応畳み込みニューラルネットワーク(ADSRNet)を提案する。 上層ネットワークは、コンテキスト情報、カーネルマッピングの健全な情報関係、浅い層と深い層の関連性を高めることができる。 下位のネットワークは対称アーキテクチャを使用して、異なるレイヤの関係を強化し、より構造的な情報をマイニングする。
  論文  参考訳（メタデータ） (2024-02-24T03:44:06Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Image Super-resolution with An Enhanced Group Convolutional Neural Network [102.2483249598621]
  学習能力の強いCNNは、超解像問題を解くために広く選択されている。 浅層構造を持つ超解像群CNN(ESRGCNN)を提案する。 ESRGCNNは、SISRの性能、複雑さ、実行速度、画質評価およびSISRの視覚効果の観点から、最先端技術を上回っていると報告されている。
  論文  参考訳（メタデータ） (2022-05-29T00:34:25Z)

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。