論文の概要: ENAF: A Multi-Exit Network with an Adaptive Patch Fusion for Large Image Super Resolution

• arxiv url: http://arxiv.org/abs/2608.15349v1
• Date: Sat, 15 Aug 2026 18:06:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.274118
• Title: ENAF: A Multi-Exit Network with an Adaptive Patch Fusion for Large Image Super Resolution
• Title（参考訳）: ENAF:大解像度超解像のための適応パッチ融合を用いたマルチエグジットネットワーク
• Abstract要約: ENAFはSISRの動的ネットワークであり、適応パッチ融合を持つ。 計算コストとデータテクスチャを関連付けるためにPSNRを推定する小さなネットワークをプラグする。 スコアに基づいて、ENAFは画像パッチを出口に効果的に割り当て、品質・複雑さのトレードオフを高める。
• 参考スコア（独自算出の注目度）: 1.1069528768209997
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To accelerate single image super-resolution (SISR) networks on large images (2K-8K), many recent approaches decompose an image into small patches and dynamically determine an execution path according to its difficulty (referred to as a dynamic network). To quantify the hardness of a patch, they mainly rely on a handcrafted assessment score, e.g., edge, which weakly associates a patch's texture with the computational complexity of a SISR model. To address the problem, we introduce ENAF - a dynamic network for SISR with an adaptive patch fusion. Built on top of a backbone, ENAF incorporates multiple early exits (EEs) to tackle the over-parameterized SISR model. More importantly, ENAF plugs a tiny network that estimates PSNR to associate data texture with a computation cost at an EE. Based on the scores, ENAF effectively assigns image patches to an exit, enhancing the quality-complexity trade-off. Extensive experiments on common datasets with popular SISR backbones demonstrate the effectiveness of ENAF in various settings. The source code is provided in https://github.com/nmduonggg/ENAF
• Abstract（参考訳）: 大規模画像(2K-8K)上の単一画像超解像(SISR)ネットワークを高速化するため、最近の多くのアプローチでは、画像を小さなパッチに分解し、その困難さに応じて実行経路を動的に決定する(動的ネットワークと呼ぶ)。 パッチの硬さを定量化するためには、主に手作りの評価スコア、例えばエッジを頼りにしており、パッチのテクスチャとSISRモデルの計算複雑性を弱く関連付けている。 この問題に対処するために,適応パッチ融合を用いたSISRのための動的ネットワークENAFを導入する。 ENAFはバックボーン上に構築され、複数の早期出口(EE)を組み込んで、過パラメータ化SISRモデルに取り組む。 さらに重要なのは、ENAFは、PSNRを推定してEEにおける計算コストとデータテクスチャを関連付ける小さなネットワークを接続することです。 スコアに基づいて、ENAFは画像パッチを出口に効果的に割り当て、品質・複雑さのトレードオフを高める。 一般的なSISRバックボーンを持つ共通のデータセットに関する大規模な実験は、さまざまな環境でENAFの有効性を実証している。 ソースコードはhttps://github.com/nmduonggg/ENAFで公開されている。

関連論文リスト

• ATD: Improved Transformer with Adaptive Token Dictionary for Image Restoration [27.622615148357994]
  本稿では,画像復元のための新しいトランスフォーマーアーキテクチャであるAdaptive Token Dictionary (ATD)を提案する。 我々は、TDCAアテンションマップに埋め込まれたカテゴリ情報を利用して、複数のカテゴリにグループ入力する。 ATDとその軽量版ATD-lightは、複数の画像超解像度ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-03T03:56:09Z)
• 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)
• 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)
• DBAT: Dynamic Backward Attention Transformer for Material Segmentation with Cross-Resolution Patches [8.812837829361923]
  クロスレゾリューション特徴を集約する動的後方アテンション変換器(DBAT)を提案する。 実験の結果,DBATの精度は86.85%であり,最先端のリアルタイムモデルの中では最高の性能であることがわかった。 さらに,提案モデルが他の手法よりも優れた材料関連特徴を抽出できることを示すため,セマンティックなラベルにアライメントし,ネットワーク分割を行う。
  論文  参考訳（メタデータ） (2023-05-06T03:47:20Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• LAPAR: Linearly-Assembled Pixel-Adaptive Regression Network for Single Image Super-Resolution and Beyond [75.37541439447314]
  単一画像超解像(SISR)は、低解像度(LR)画像を高解像度(HR)バージョンにアップサンプリングする根本的な問題を扱う。 本稿では,線形組立画素適応回帰ネットワーク (LAPAR) を提案する。
  論文  参考訳（メタデータ） (2021-05-21T15:47:18Z)
• Asymmetric CNN for image super-resolution [102.96131810686231]
  深層畳み込みニューラルネットワーク(CNN)は、過去5年間で低レベルビジョンに広く適用されています。 画像超解像のための非対称ブロック(AB)、mem?ory拡張ブロック(MEB)、高周波数特徴強調ブロック(HFFEB)からなる非対称CNN(ACNet)を提案する。 我々のACNetは、ブラインドノイズの単一画像超解像(SISR)、ブラインドSISR、ブラインドSISRを効果的に処理できる。
  論文  参考訳（メタデータ） (2021-03-25T07:10:46Z)
• Efficient and Model-Based Infrared and Visible Image Fusion Via Algorithm Unrolling [24.83209572888164]
  赤外線および可視画像融合(IVIF)は、赤外線画像からの熱放射情報を保持する画像と、可視画像からテクスチャの詳細を取得することを期待している。 従来のCNNベースのIVIFモデルの欠点を克服するために,モデルベース畳み込みニューラルネットワーク(CNN)モデルを提案する。
  論文  参考訳（メタデータ） (2020-05-12T16:15:56Z)
• Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
  シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。 本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。 我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
  論文  参考訳（メタデータ） (2020-04-08T10:08:20Z)

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。