論文の概要: HSNet: Heterogeneous Subgraph Network for Single Image Super-resolution

• arxiv url: http://arxiv.org/abs/2510.06564v1
• Date: Wed, 08 Oct 2025 01:32:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.255761
• Title: HSNet: Heterogeneous Subgraph Network for Single Image Super-resolution
• Title（参考訳）: HSNet:単一画像超解像のための異種サブグラフネットワーク
• Authors: Qiongyang Hu, Wenyang Liu, Wenbin Zou, Yuejiao Su, Lap-Pui Chau, Yi Wang,
• Abstract要約: Heterogeneous Subgraph Network (HSNet) は、計算可能性を維持しながらグラフモデリングを効率的に活用する新しいフレームワークである。 HSNetは最先端の性能を達成し、再構築品質と計算効率を効果的にバランスさせる。
• 参考スコア（独自算出の注目度）: 27.18780594293798
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing deep learning approaches for image super-resolution, particularly those based on CNNs and attention mechanisms, often suffer from structural inflexibility. Although graph-based methods offer greater representational adaptability, they are frequently impeded by excessive computational complexity. To overcome these limitations, this paper proposes the Heterogeneous Subgraph Network (HSNet), a novel framework that efficiently leverages graph modeling while maintaining computational feasibility. The core idea of HSNet is to decompose the global graph into manageable sub-components. First, we introduce the Constructive Subgraph Set Block (CSSB), which generates a diverse set of complementary subgraphs. Rather than relying on a single monolithic graph, CSSB captures heterogeneous characteristics of the image by modeling different relational patterns and feature interactions, producing a rich ensemble of both local and global graph structures. Subsequently, the Subgraph Aggregation Block (SAB) integrates the representations embedded across these subgraphs. Through adaptive weighting and fusion of multi-graph features, SAB constructs a comprehensive and discriminative representation that captures intricate interdependencies. Furthermore, a Node Sampling Strategy (NSS) is designed to selectively retain the most salient features, thereby enhancing accuracy while reducing computational overhead. Extensive experiments demonstrate that HSNet achieves state-of-the-art performance, effectively balancing reconstruction quality with computational efficiency. The code will be made publicly available.
• Abstract（参考訳）: 画像超解像のための既存のディープラーニングアプローチ、特にCNNとアテンション機構に基づくアプローチは、しばしば構造的柔軟性に悩まされる。 グラフベースの手法は表現適応性を向上するが、過度な計算複雑性によってしばしば妨げられる。 これらの制約を克服するために,計算可能性を維持しながらグラフモデリングを効率的に活用する新しいフレームワークであるHerogeneous Subgraph Network (HSNet)を提案する。 HSNetの中核となる考え方は、グローバルグラフを管理可能なサブコンポーネントに分解することだ。 まず,コンストラクティブ・サブグラフ・セット・ブロック(CSSB)を導入し,多種多様な補完的なサブグラフを生成する。 単一のモノリシックグラフに頼るのではなく、CSSBは、異なるリレーショナルパターンと機能相互作用をモデル化することで、画像の不均一な特性をキャプチャし、局所グラフ構造とグローバルグラフ構造の両方のリッチなアンサンブルを生成する。 その後、サブグラフ集約ブロック(SAB)はこれらのサブグラフに埋め込まれた表現を統合する。 多重グラフ特徴の適応重み付けと融合により、SABは複雑な相互依存を捉える包括的かつ識別的な表現を構築する。 さらに、ノードサンプリング戦略(NSS)は、最も健全な特徴を選択的に保持し、計算オーバーヘッドを低減しながら精度を向上するように設計されている。 広範な実験により、HSNetは最先端のパフォーマンスを達成し、再構築品質と計算効率のバランスを効果的に表している。 コードは公開されます。

関連論文リスト

• RGL: A Graph-Centric, Modular Framework for Efficient Retrieval-Augmented Generation on Graphs [58.10503898336799]
  完全なRAGパイプラインをシームレスに統合するモジュラーフレームワークであるRAG-on-Graphs Library(RGL)を紹介した。 RGLは、さまざまなグラフフォーマットをサポートし、必須コンポーネントの最適化実装を統合することで、重要な課題に対処する。 評価の結果,RGLはプロトタイピングプロセスの高速化だけでなく,グラフベースRAGシステムの性能や適用性の向上も図っている。
  論文  参考訳（メタデータ） (2025-03-25T03:21:48Z)
• MOB-GCN: A Novel Multiscale Object-Based Graph Neural Network for Hyperspectral Image Classification [1.515687944002438]
  本稿では、ハイパースペクトル画像(HSI)分類のためのMOB-GCNと呼ばれる新しいマルチスケールオブジェクトベースグラフニューラルネットワークを提案する。 実験の結果,MOB-GCNは分類精度,計算効率,ノイズ低減の点で,単一スケールグラフ畳み込みネットワーク(GCN)より一貫して優れていた。
  論文  参考訳（メタデータ） (2025-02-22T16:37:21Z)
• RDSA: A Robust Deep Graph Clustering Framework via Dual Soft Assignment [18.614842530666834]
  我々は、Dual Soft Assignment (RDSA)を介してRobust Deep Graph Clustering Frameworkと呼ばれる新しいフレームワークを導入する。 RDSAは3つの主要なコンポーネントから構成される: (i) グラフのトポロジ的特徴とノード属性を効果的に統合するノード埋め込みモジュール、 (ii) ノード割り当てに親和性行列を利用することでグラフモジュラリティを改善する構造ベースのソフトアサインモジュール、 (iii) コミュニティランドマークを識別し、モデルの堅牢性を高めるためにノード割り当てを洗練させるノードベースのソフトアサインモジュール。 我々はRDSAを実世界の様々なデータセットで評価し、既存の状態と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-29T05:18:34Z)
• 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)
• Adaptive Fusion Affinity Graph with Noise-free Online Low-rank Representation for Natural Image Segmentation [3.7189024338041836]
  本稿では,自然画像分割のための適応アフィニティ融合グラフ(AFAグラフ)を提案する。 BSD300、BSD500、MSRC、PASCAL VOCの実験結果は、最先端のアプローチと比較してAFAグラフの有効性を示している。
  論文  参考訳（メタデータ） (2021-10-22T10:15:27Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)

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。