論文の概要: Enhancing Low-resolution Image Representation Through Normalizing Flows

• arxiv url: http://arxiv.org/abs/2601.06834v1
• Date: Sun, 11 Jan 2026 09:55:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.017965
• Title: Enhancing Low-resolution Image Representation Through Normalizing Flows
• Title（参考訳）: 正規化フローによる低分解能画像表現の強化
• Authors: Chenglong Bao, Tongyao Pang, Zuowei Shen, Dihan Zheng, Yihang Zou,
• Abstract要約: 本研究では,ウェーブレット・タイト・フレームブロックと正規化フローを統合し,低分解能画像表現を学習する非線形フレームワークLR2Flowを提案する。 提案するネットワークの再構成誤り解析を行い,ウェーブレット・タイト・フレーム領域における可逆ニューラルネットワークの設計の必要性を実証する。
• 参考スコア（独自算出の注目度）: 16.73119761819098
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-resolution image representation is a special form of sparse representation that retains only low-frequency information while discarding high-frequency components. This property reduces storage and transmission costs and benefits various image processing tasks. However, a key challenge is to preserve essential visual content while maintaining the ability to accurately reconstruct the original images. This work proposes LR2Flow, a nonlinear framework that learns low-resolution image representations by integrating wavelet tight frame blocks with normalizing flows. We conduct a reconstruction error analysis of the proposed network, which demonstrates the necessity of designing invertible neural networks in the wavelet tight frame domain. Experimental results on various tasks, including image rescaling, compression, and denoising, demonstrate the effectiveness of the learned representations and the robustness of the proposed framework.
• Abstract（参考訳）: 低分解能画像表現は、高周波成分を捨てながら低周波情報のみを保持するスパース表現の特殊な形態である。 この特性は、ストレージと送信コストを削減し、様々な画像処理タスクに利益をもたらす。 しかし、重要な課題は、オリジナル画像を正確に再構築する能力を維持しながら、重要な視覚的コンテンツを保存することである。 本研究では,ウェーブレット・タイト・フレームブロックと正規化フローを統合し,低分解能画像表現を学習する非線形フレームワークLR2Flowを提案する。 提案するネットワークの再構成誤り解析を行い,ウェーブレット・タイト・フレーム領域における可逆ニューラルネットワークの設計の必要性を実証する。 画像再スケーリング,圧縮,復調などの様々なタスクに関する実験結果は,学習した表現の有効性と,提案フレームワークの堅牢性を示している。

関連論文リスト

• Frequency-Domain Fusion Transformer for Image Inpainting [6.4194162137514725]
  本稿では,周波数領域融合を取り入れたトランスフォーマーによる画像描画手法を提案する。 実験により,提案手法は高周波数情報を保存することにより,画像の塗装品質を効果的に向上することを示した。
  論文  参考訳（メタデータ） (2025-06-23T09:19:04Z)
• ASCNet: Asymmetric Sampling Correction Network for Infrared Image Destriping [25.816984064145906]
  非対称サンプリング補正ネットワーク(ASCNet)と呼ばれる新しい赤外画像デストリップ手法を提案する。 我々のASCNetは、Residual Haar Discrete Wavelet Transform (RHDWT), Pixel Shuffle (PS), Column Non-uniformity Correction Module (CNCM)の3つのコア要素で構成されています。
  論文  参考訳（メタデータ） (2024-01-28T06:23:55Z)
• RBSR: Efficient and Flexible Recurrent Network for Burst Super-Resolution [57.98314517861539]
  バースト超解像(BurstSR)は、高解像度(HR)画像を低解像度(LR)画像と雑音画像から再構成することを目的としている。 本稿では,効率よくフレキシブルなリカレントネットワークでフレーム単位のキューを融合させることを提案する。
  論文  参考訳（メタデータ） (2023-06-30T12:14:13Z)
• DPFNet: A Dual-branch Dilated Network with Phase-aware Fourier Convolution for Low-light Image Enhancement [1.2645663389012574]
  低照度画像の高精細化は、低照度画像から通常の露光画像を復元することを目的とした古典的なコンピュータビジョン問題である。 この分野でよく使われる畳み込みニューラルネットワークは、空間領域の低周波局所構造の特徴をサンプリングするのに長けている。 周波数位相のセマンティクスの制約の下で高品質なテクスチャの詳細を復元できるフーリエ係数を用いた新しいモジュールを提案する。
  論文  参考訳（メタデータ） (2022-09-16T13:56:09Z)
• 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)
• SDWNet: A Straight Dilated Network with Wavelet Transformation for Image Deblurring [23.86692375792203]
  画像劣化は、ぼやけた画像から鋭い画像を復元することを目的としたコンピュータビジョンの問題である。 我々のモデルは拡張畳み込みを用いて空間分解能の高い大きな受容場を得ることができる。 本稿では,ウェーブレット変換を用いた新しいモジュールを提案する。
  論文  参考訳（メタデータ） (2021-10-12T07:58:10Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• 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)
• 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。