論文の概要: Application of convolutional neural networks in image super-resolution

• arxiv url: http://arxiv.org/abs/2506.02604v1
• Date: Tue, 03 Jun 2025 08:28:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:35.482785
• Title: Application of convolutional neural networks in image super-resolution
• Title（参考訳）: 畳み込みニューラルネットワークの画像超解像への応用
• Authors: Tian Chunwei, Song Mingjian, Zuo Wangmeng, Du Bo, Zhang Yanning, Zhang Shichao,
• Abstract要約: 畳み込みニューラルネットワーク(CNN)は、画像超解像の主流の手法となっている。 異なるタイプの深層学習方法には大きな違いがある。 本稿では,まず画像超解像におけるCNNの原理を紹介し,次にCNNをベースとしたバイキュビック,近傍,双線形,変換畳み込み,サブピクセル層,画像超解像のためのメタアップサンプリングを紹介する。 最後に, 画像超解像におけるCNNの発展を促進するため, 研究の潜在的なポイントと欠点を概説し, 論文全体を要約する。
• 参考スコア（独自算出の注目度）: 0.4241054493737716
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to strong learning abilities of convolutional neural networks (CNNs), they have become mainstream methods for image super-resolution. However, there are big differences of different deep learning methods with different types. There is little literature to summarize relations and differences of different methods in image super-resolution. Thus, summarizing these literatures are important, according to loading capacity and execution speed of devices. This paper first introduces principles of CNNs in image super-resolution, then introduces CNNs based bicubic interpolation, nearest neighbor interpolation, bilinear interpolation, transposed convolution, sub-pixel layer, meta up-sampling for image super-resolution to analyze differences and relations of different CNNs based interpolations and modules, and compare performance of these methods by experiments. Finally, this paper gives potential research points and drawbacks and summarizes the whole paper, which can facilitate developments of CNNs in image super-resolution.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)の強力な学習能力のため、画像超解像の主流の手法となっている。 しかし、異なるタイプの深層学習方法には大きな違いがある。 画像超解像における異なる方法の関係と相違を要約する文献はほとんどない。 したがって、これらの文献の要約は、デバイスのロード能力と実行速度に応じて重要である。 画像超解像におけるCNNの原理をまず紹介し、次にCNNのバイコビック補間、隣り合う補間、双線形補間、変換畳み込み、サブピクセル層、画像超解像のためのメタアップサンプリング、異なるCNNの補間とモジュールの違いと関係を分析し、これらの手法の性能を実験により比較する。 最後に, 画像超解像におけるCNNの発展を促進するため, 研究の潜在的なポイントと欠点を概説し, 論文全体を要約する。

関連論文リスト

• SO(2) and O(2) Equivariance in Image Recognition with Bessel-Convolutional Neural Networks [63.24965775030674]
  この研究はベッセル畳み込みニューラルネットワーク(B-CNN)の開発を示す B-CNNは、ベッセル関数に基づく特定の分解を利用して、画像とフィルタの間のキー操作を変更する。 他の手法と比較して,B-CNNの性能を評価するために検討を行った。
  論文  参考訳（メタデータ） (2023-04-18T18:06:35Z)
• Single-Image Super-Resolution Reconstruction based on the Differences of Neighboring Pixels [3.257500143434429]
  深層学習技術は、単一画像超解像(SISR)の性能向上に用いられた。 本稿では,推定画像と接地構造画像からグラフを構築することにより,CNNを正規化するための隣接画素の違いを提案する。 提案手法は, ベンチマークデータセットの定量的, 質的評価の観点から, 最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-28T07:30:07Z)
• 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)
• 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)
• Finding Representative Interpretations on Convolutional Neural Networks [43.25913447473829]
  我々は、多数の類似画像に対して非常に代表的な解釈を生成するために、新しい教師なしのアプローチを開発する。 我々は,共クラスタリング問題として代表解釈を求める問題を定式化し,それをサブモジュラーコストのサブモジュラーカバー問題に変換する。 提案手法の優れた性能を示す実験を行った。
  論文  参考訳（メタデータ） (2021-08-13T20:17:30Z)
• The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
  本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。 本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
  論文  参考訳（メタデータ） (2021-01-29T07:46:39Z)
• Convolutional Neural Networks for Multispectral Image Cloud Masking [7.812073412066698]
  畳み込みニューラルネットワーク(CNN)は多くの画像分類タスクの最先端技術であることが証明されている。 Proba-Vマルチスペクトル画像のクラウドマスキングにおける異なるCNNアーキテクチャの利用について検討する。
  論文  参考訳（メタデータ） (2020-12-09T21:33:20Z)
• Deep Convolutional Neural Networks: A survey of the foundations, selected improvements, and some current applications [0.0]
  本稿では,CNN(Convolutional Neural Networks)という,そのような手法を提示し,検討する。 CNNは、畳み込みと呼ばれる特別な線形演算を使用するディープニューラルネットワークである。 本稿では、実際に非常に効果的であることが証明された畳み込みの2つの応用について論じる。
  論文  参考訳（メタデータ） (2020-11-25T19:03:23Z)
• Deep Unfolding Network for Image Super-Resolution [159.50726840791697]
  本稿では,学習に基づく手法とモデルに基づく手法の両方を活用する,エンドツーエンドのトレーニング可能なアンフォールディングネットワークを提案する。 提案するネットワークは, モデルベース手法の柔軟性を継承し, 一つのモデルを用いて, 異なるスケール要因に対する, 曖昧でノイズの多い画像の超解像化を行う。
  論文  参考訳（メタデータ） (2020-03-23T17:55:42Z)
• 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。