論文の概要: PixelSR: Efficient Screen Content Super-Resolution via Pixel Classification
- arxiv url: http://arxiv.org/abs/2608.00646v1
- Date: Sat, 01 Aug 2026 13:03:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:24.847062
- Title: PixelSR: Efficient Screen Content Super-Resolution via Pixel Classification
- Title（参考訳）: PixelSR:Pixelの分類による高効率スクリーンコンテンツの超解像
- Abstract要約: 既存の画面コンテンツにおける作業は、画面コンテンツの特殊特性を過小評価している。
超高分解能性能を向上する手法であるPixelSRを高速な推論速度で提案する。
実験により,PixelSRは,画面コンテンツの超高解像度化において,推論時間を短縮し,最先端のパフォーマンスを達成できた。
- 参考スコア（独自算出の注目度）: 58.92928505513181
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Screen content images are generally composed of texts and graphics. Compared to natural images, these man-made images contain a large quantity of sharp but repetitive structures. However, existing works in screen content super-resolution underutilize the special characteristics of screen content, leaving a large room to improve model performance and speed up. In this paper, we propose PixelSR, a simple yet effective method to improve super-resolution performance but with faster inference speed. To improve model performance, we classify pixels via pixel binning to compute content attention in the training phase. Specifically, after binning pixels into content-dependent groups, content attention is aggregated from pixel features within each group to introduce a content-dependent and non-local receptive field for every pixel. In the testing phase, we utilize the properties of self-repetitiveness and redundancy in screen content to speed up inference without the loss of model performance. We divide targeted high-resolution pixels into three types, which are unique pixels, repeated pixels, and background pixels for each test image. We conduct conventional network processing on unique pixels and cache their predictions in the on-the-fly lookup table. For repeated pixels which have appeared in unique pixels, we directly retrieve prediction results from the lookup table without network processing. For background pixels, we use the nearest neighbor algorithm to generate high-resolution pixels. The on-the-fly lookup table is cleaned and repeats the procedure above for the next test image. Experiments show our PixelSR achieves state-of-the-art performance with shorter inference time in screen content super-resolution.
- Abstract（参考訳）: 画面コンテンツ画像は一般的にテキストとグラフィックで構成されている。
自然画像と比較すると、これらの人工画像は多数の鋭いが反復的な構造を含んでいる。
しかし、既存の画面コンテンツにおける作業は、画面コンテンツの特殊特性を過小評価し、モデル性能とスピードアップを向上するための大きな空間を残している。
本稿では,超解像性能を向上するが,高速な推論速度を持つ簡易かつ効果的なPixelSRを提案する。
モデル性能を向上させるため,画素バイニングにより画素を分類し,トレーニングフェーズにおけるコンテンツアテンションを計算する。
具体的には、コンテンツ依存グループに画素を結合した後、各グループ内の画素特徴からコンテンツ注意を集約して、各ピクセルに対してコンテンツ依存的かつ非局所的な受容野を導入する。
テスト段階では,画面コンテンツの自己反復性と冗長性を利用して,モデル性能を損なうことなく推論を高速化する。
対象とする高解像度画素を3つのタイプに分割し,各テスト画像の画素数,繰り返し画素数,背景画素数について検討した。
我々は,一意の画素上で従来のネットワーク処理を行い,その予測をオンザフライルックアップテーブルにキャッシュする。
ユニークな画素に現れる繰り返し画素に対しては,ネットワーク処理をせずにルックアップテーブルから直接予測結果を検索する。
背景画素に対しては、近傍のアルゴリズムを用いて高分解能画素を生成する。
オンザフライルックアップテーブルをクリーニングし、上記の手順を次のテスト画像に繰り返す。
実験により,PixelSRは,画面コンテンツの超高解像度化において,推論時間を短縮し,最先端のパフォーマンスを達成できた。
関連論文リスト
- Square Superpixel Generation and Representation Learning via Granular Ball Computing [97.99956628286243]
スーパーピクセルは、オブジェクト境界と局所構造を保存する、コンパクトな領域ベースの表現を提供する。
既存のスーパーピクセルアルゴリズムの多くは不規則な形状の領域を生成しており、畳み込みのような通常の演算子とうまく一致しない。
グラニュラル・ボール・コンピューティングの適応表現とカバレッジ特性に動機付けられて,正方形スーパーピクセル・ジェネレーション・アプローチを開発した。
論文 参考訳（メタデータ） (2026-03-31T09:06:58Z) - From Pixels to Components: Eigenvector Masking for Visual Representation Learning [55.567395509598065]
画像の可視部分からマスクを予測することは、視覚表現学習のための強力な自己教師型アプローチである。
本稿では,生のピクセルではなく,適切なデータ変換を行うマスキング戦略を提案する。
論文 参考訳（メタデータ） (2025-02-10T10:06:46Z) - Elevating Flow-Guided Video Inpainting with Reference Generation [50.03502211226332]
ビデオインパインティング(VI)は、フレーム間で観測可能なコンテンツを効果的に伝播させながら、オリジナルビデオに存在しない新しいコンテンツを同時に生成する必要がある課題である。
本稿では,より進んだ画素伝搬アルゴリズムと組み合わせて,参照生成のための大規模な生成モデルを活用する,堅牢で実用的なVIフレームワークを提案する。
提案手法は,オブジェクト削除のためのフレームレベルの品質を著しく向上するだけでなく,ユーザが提供するテキストプロンプトに基づいて,欠落した領域の新たなコンテンツを合成する。
論文 参考訳（メタデータ） (2024-12-12T06:13:00Z) - Image Reconstruction using Superpixel Clustering and Tensor Completion [21.088385725444944]
本手法では,重要なテクスチャやセマンティクスを捉えた複数の領域に分割し,各領域から代表画素を選択して保存する。
本稿では,2つのスムーズなテンソル補完アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-05-16T16:00:48Z) - Saliency Enhancement using Superpixel Similarity [77.34726150561087]
Saliency Object Detection (SOD) は画像解析にいくつかの応用がある。
深層学習に基づくSOD法は最も効果的であるが、類似した色を持つ前景の部品を見逃すことがある。
スーパーピクセル類似性(SESS)に対するtextitSaliency Enhancement というポストプロセッシング手法を導入する。
我々は,SESSが5つの画像データセット上での3つのディープラーニングに基づくSOD手法の結果を連続的に,かつ著しく改善できることを実証した。
論文 参考訳（メタデータ） (2021-12-01T17:22:54Z) - Implicit Integration of Superpixel Segmentation into Fully Convolutional
Networks [11.696069523681178]
スーパーピクセル方式をCNNに暗黙的に統合する方法を提案する。
提案手法では,下地層に画素を階層的にグループ化し,スーパーピクセルを生成する。
本手法は,セマンティックセグメンテーション,スーパーピクセルセグメンテーション,モノクル深度推定などのタスクで評価する。
論文 参考訳（メタデータ） (2021-03-05T02:20:26Z) - Spatially-Adaptive Pixelwise Networks for Fast Image Translation [57.359250882770525]
高速かつ効率的な画像-画像変換を目的とした新しいジェネレータアーキテクチャを提案する。
私たちはピクセルワイズネットワークを使用します。つまり、各ピクセルは他のピクセルとは独立して処理されます。
私たちのモデルは最先端のベースラインよりも最大18倍高速です。
論文 参考訳（メタデータ） (2020-12-05T10:02:03Z) - Superpixel Segmentation with Fully Convolutional Networks [32.878045921919714]
本稿では,通常の画像グリッド上でのスーパーピクセルの予測に完全畳み込みネットワークを用いる新しい手法を提案する。
ベンチマーク・データセットによる実験結果から,提案手法は最先端のスーパーピクセル・セグメンテーション性能を実現することが示された。
ステレオマッチングのための人気のあるネットワークアーキテクチャを改良し、スーパーピクセルと格差を同時に予測する。
論文 参考訳（メタデータ） (2020-03-29T02:42:07Z) - Robust superpixels using color and contour features along linear path [5.746869663956391]
リニアパス(SCALP)を用いた輪郭アヒーレンス付き高精度で正規なスーパーピクセルを提供するフレームワークを提案する。
また、画素をスーパーピクセルに関連付ける際に、画像境界の交差を防止するために、輪郭前も使用される。
SCALPは、標準セグメンテーションデータセット上で広範囲に評価され、得られた結果は最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2019-03-17T23:00:13Z) - SCALP: Superpixels with Contour Adherence using Linear Path [5.746869663956391]
本稿では,反復クラスタリングフレームワークにおける線形パス (SCALP) を用いたコントラルアジェンスを用いたスーパーピクセルの高速計算法を提案する。
提案したフレームワークは、輪郭の輪郭に固執するコンパクトでスーパーピクセルを生成する。
論文 参考訳（メタデータ） (2019-03-17T19:23:00Z)
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。