論文の概要: Reference-Based Face Super-Resolution Using the Spatial Transformer

• arxiv url: http://arxiv.org/abs/2607.11025v1
• Date: Mon, 13 Jul 2026 02:44:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.306735
• Title: Reference-Based Face Super-Resolution Using the Spatial Transformer
• Title（参考訳）: 空間変換器を用いた参照型顔超解像
• Abstract要約: 顔超解像は、顔を含む画像の解像度を増大させ、より細部を付加するタスクである。 タスクを支援するために高解像度の参照画像を用いた顔超解像のための参照ベースソリューションを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Face super-resolution is the task of increasing the resolution of an image containing a face thereby adding finer detail. It is a ubiquitous task in many computer vision applications and quite often the user isn't even aware that it is being performed. However, doing it with high fidelity is challenging as it is an ill-posed problem. In this paper we present a reference-based solution for face super-resolution that uses higher resolution reference images to aid in the task. We show an alignment module based on the spatial transformer that is considerably more stable than the popular deformable convolutions. We also show an aggregation function that can take good quality information from the reference images when available or suppress the function when such information is unavailable. Finally, we show that our relatively smaller model can achieve state of the art results on multiple datasets. The source code is available at https://github.com/varun-jois/FSRST.
• Abstract（参考訳）: 顔超解像は、顔を含む画像の解像度を増大させ、より細部を付加するタスクである。 多くのコンピュータビジョンアプリケーションではユビキタスなタスクであり、ユーザがそれが実行されていることにさえ気付いていないことが多い。 しかし、不適切な問題であるため、高い忠実度で行うことは難しい。 本稿では,タスクを支援するために高解像度の参照画像を用いた顔超解像のための参照ベースソリューションを提案する。 一般的な変形可能な畳み込みよりもかなり安定な空間変換器に基づくアライメントモジュールを示す。 また、参照画像から良質な情報を取得できるアグリゲーション機能や、そのような情報が入手できない場合にその機能を抑圧できるアグリゲーション機能を示す。 最後に、我々の比較的小さなモデルでは、複数のデータセットで最先端の結果が得られることを示す。 ソースコードはhttps://github.com/varun-jois/FSRSTで入手できる。

関連論文リスト

• SigLIP-HD by Fine-to-Coarse Supervision [57.114959792871254]
  画像を大きくすることなく、低コストで微視的知覚を実現する方法を示す。 我々は、このフレームワークを高度なSigLIP 2モデルに基づいて構築する。 大規模なMLLMベンチマークで検証され、ベースラインモデルよりもずっと強力な結果が得られます。
  論文  参考訳（メタデータ） (2026-07-10T15:05:21Z)
• Multi-Feature Aggregation in Diffusion Models for Enhanced Face Super-Resolution [6.055006354743854]
  超解像を生成するために,複数の低画質画像から抽出した特徴と組み合わせた低解像度画像を利用するアルゴリズムを開発した。 他のアルゴリズムとは異なり、我々のアプローチは属性情報を明示的に提供せずに顔の特徴を復元する。 これは、高解像度画像と低解像度画像を組み合わせて、より信頼性の高い超高解像度画像を生成するコンディショナーとして初めて使用される。
  論文  参考訳（メタデータ） (2024-08-27T20:08:33Z)
• Recurrent Multi-scale Transformer for High-Resolution Salient Object Detection [68.65338791283298]
  Salient Object Detection (SOD) は、画像やビデオの中で最も顕著なオブジェクトを識別し、セグメント化することを目的としている。 従来のSOD法は主に解像度の低い画像に限られており、高分解能SODの開発に適応することが困難である。 本研究ではまず,2K-8K解像度で10,500個の高品質なアノテート画像を含む新しいHRS10Kデータセットを提案する。
  論文  参考訳（メタデータ） (2023-08-07T17:49:04Z)
• T-former: An Efficient Transformer for Image Inpainting [50.43302925662507]
  トランスフォーマーと呼ばれる注目に基づくネットワークアーキテクチャのクラスは、自然言語処理の分野で大きなパフォーマンスを示している。 本稿では,Taylorの展開に応じて,解像度に線形に関連付けられた新たな注意を設計し,この注意に基づいて,画像インペイントのためのネットワークである$T$-formerを設計する。 いくつかのベンチマークデータセットの実験により,提案手法は比較的少ないパラメータ数と計算複雑性を維持しつつ,最先端の精度を達成できることが示されている。
  論文  参考訳（メタデータ） (2023-05-12T04:10:42Z)
• Super-Resolving Face Image by Facial Parsing Information [52.1267613768555]
  顔超解像は、低解像度の顔画像を対応する高解像度の画像に変換する技術である。 我々は,低解像度の顔画像から先行する顔を抽出する,新しい解析マップ付き顔超解像ネットワークを構築した。 高解像度特徴はより正確な空間情報を含み、低解像度特徴は強い文脈情報を提供する。
  論文  参考訳（メタデータ） (2023-04-06T08:19:03Z)
• Any-resolution Training for High-resolution Image Synthesis [55.19874755679901]
  生成モデルは、様々な大きさの自然画像であっても、一定の解像度で動作します。 すべてのピクセルが重要であり、そのネイティブ解像度で収集された可変サイズのイメージを持つデータセットを作成する、と我々は主張する。 ランダムなスケールでパッチをサンプリングし、可変出力解像度で新しいジェネレータを訓練するプロセスである。
  論文  参考訳（メタデータ） (2022-04-14T17:59:31Z)
• Resolution based Feature Distillation for Cross Resolution Person Re-Identification [17.86505685442293]
  人物の再識別(re-id)は、異なるカメラビューで同一人物の画像を取得することを目的としている。 解像度のミスマッチは、興味のある人とカメラの間の距離が異なるため起こる。 本稿では,複数の解像度の問題を克服するために,分解能に基づく特徴蒸留(RFD)アプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-16T11:07:59Z)
• InfinityGAN: Towards Infinite-Resolution Image Synthesis [92.40782797030977]
  任意の解像度画像を生成するinfinityganを提案する。 少ない計算資源でパッチバイパッチをシームレスに訓練し、推論する方法を示す。
  論文  参考訳（メタデータ） (2021-04-08T17:59:30Z)
• Multiple Exemplars-based Hallucinationfor Face Super-resolution and Editing [38.257982713474874]
  顔の低解像度な入力画像が与えられた場合,本論文の目的は,その高解像度版を再構成することである。 我々は、同じ人物の他の高解像度画像の集合である、模範の集合の使用について検討する。 複数の例から得られる情報を効果的に組み合わせるために,画素単位の重み生成モジュールを導入する。
  論文  参考訳（メタデータ） (2020-09-16T17:35:26Z)
• Rethinking Data Augmentation for Image Super-resolution: A Comprehensive Analysis and a New Strategy [21.89072742618842]
  超分解能タスクに適用された既存の拡張手法を包括的に分析する。 我々は、低解像度のパッチをカットし、それに対応する高解像度の画像領域にペーストするCutBlurを提案する。 提案手法は, 様々なシナリオにおいて連続的に, 性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-04-01T13:49:38Z)

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。