論文の概要: A Cosine Network for Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2601.16413v1
• Date: Fri, 23 Jan 2026 02:58:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.518094
• Title: A Cosine Network for Image Super-Resolution
• Title（参考訳）: 画像超解像のためのコサインネットワーク
• Authors: Chunwei Tian, Chengyuan Zhang, Bob Zhang, Zhiwu Li, C. L. Philip Chen, David Zhang,
• Abstract要約: 画像超解像(CSRNet)のためのコサインネットワークを提案する。 補完構造情報を抽出するため、奇異なブロックや異種ブロックも設計する。 CSRNetは画像超解像における最先端の手法と競合する。
• 参考スコア（独自算出の注目度）: 77.21621944789466
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep convolutional neural networks can use hierarchical information to progressively extract structural information to recover high-quality images. However, preserving the effectiveness of the obtained structural information is important in image super-resolution. In this paper, we propose a cosine network for image super-resolution (CSRNet) by improving a network architecture and optimizing the training strategy. To extract complementary homologous structural information, odd and even heterogeneous blocks are designed to enlarge the architectural differences and improve the performance of image super-resolution. Combining linear and non-linear structural information can overcome the drawback of homologous information and enhance the robustness of the obtained structural information in image super-resolution. Taking into account the local minimum of gradient descent, a cosine annealing mechanism is used to optimize the training procedure by performing warm restarts and adjusting the learning rate. Experimental results illustrate that the proposed CSRNet is competitive with state-of-the-art methods in image super-resolution.
• Abstract（参考訳）: 深層畳み込みニューラルネットワークは階層的な情報を用いて、構造情報を段階的に抽出し、高品質な画像を復元することができる。 しかし、画像超解像では、得られた構造情報の有効性を維持することが重要である。 本稿では,ネットワークアーキテクチャの改善とトレーニング戦略の最適化により,画像超解像(CSRNet)のためのコサインネットワークを提案する。 相補的ホモロジー構造情報を抽出するために、奇異なブロックや不均一なブロックを設計して、構造的差異を拡大し、画像超解像の性能を向上させる。 線形構造情報と非線形構造情報を組み合わせることで、ホモロジー情報の欠点を克服し、画像超解像における得られた構造情報の堅牢性を高めることができる。 局所的な勾配降下を考慮に入れ、温かい再起動と学習率の調整によってトレーニング手順を最適化するコサインアニール機構を用いる。 実験結果から,提案したCSRNetは画像超解像における最先端手法と競合することが示された。

関連論文リスト

• A Tree-guided CNN for image super-resolution [50.30242741813306]
  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。
  論文  参考訳（メタデータ） (2025-06-03T08:05:11Z)
• Hierarchical Information Flow for Generalized Efficient Image Restoration [108.83750852785582]
  画像復元のための階層型情報フロー機構であるHi-IRを提案する。 Hi-IRは、劣化した画像を表す階層的な情報ツリーを3段階にわたって構築する。 7つの共通画像復元タスクにおいて、Hi-IRはその有効性と一般化性を達成する。
  論文  参考訳（メタデータ） (2024-11-27T18:30:08Z)
• Research on Image Super-Resolution Reconstruction Mechanism based on Convolutional Neural Network [8.739451985459638]
  超解像アルゴリズムは、同一シーンから撮影された1つ以上の低解像度画像を高解像度画像に変換する。 再構成過程における画像の特徴抽出と非線形マッピング手法は,既存のアルゴリズムでは依然として困難である。 目的は、高解像度の画像から高品質で高解像度の画像を復元することである。
  論文  参考訳（メタデータ） (2024-07-18T06:50:39Z)
• Adaptive Convolutional Neural Network for Image Super-resolution [21.329826728216748]
  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)
• Bridging Component Learning with Degradation Modelling for Blind Image Super-Resolution [69.11604249813304]
  視覚障害者のためのコンポーネント分解・協調最適化ネットワーク(CDCN)を提案する。 CDCNは入力LR画像を特徴空間の構造と詳細成分に分解する。 本稿では,HR画像の細部と構造復元過程を協調的に監督する,劣化駆動型学習戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-03T14:53:56Z)
• Real Image Restoration via Structure-preserving Complementarity Attention [10.200625895876023]
  本稿では,高密度モジュールとスパースモジュールを含む軽量なコンプレメンタリアテンションモジュールを提案する。 そこで,本論文では,勾配に基づく構造保存分岐を構築した。
  論文  参考訳（メタデータ） (2022-07-28T04:24:20Z)
• Cross-SRN: Structure-Preserving Super-Resolution Network with Cross Convolution [64.76159006851151]
  低解像度 (LR) 画像から高解像度 (SR) 画像への復元は, 正確かつ明確である。 既存のディープラーニングは、画像の固有の構造情報をほとんど無視する。 構造情報の探索と保存を行う階層的特徴利用ネットワークを設計する。
  論文  参考訳（メタデータ） (2022-01-05T05:15:01Z)
• Image super-resolution reconstruction based on attention mechanism and feature fusion [3.42658286826597]
  注意機構とマルチスケール特徴融合に基づくネットワーク構造を提案する。 実験により,提案手法は,他の代表的超解像再構成アルゴリズムよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-04-08T11:20:10Z)

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。