抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
より速く,より深い畳込み神経回路網を用いた単一画像超解像の精度と速度のブレークスルーにもかかわらず,1つの中心的問題はほとんど未解決:最適化に基づく超解像法の挙動は,主に目的関数の選択により駆動される大きなアップスケーリング因子で超解決時我々は微細組織の詳細を回復するのか。最近の研究は,平均二乗再構成誤差を最小化することに焦点を当ててきた。得られた推定値は高いピーク信号対雑音比を持っているが,それらはしばしば高周波詳細を欠く,それらはより高い分解能で期待される忠実度に適合しないという意味で知覚的に不満足な。本論文では,SRGAN,画像超解像(SR)のための生成的敵対的ネットワーク(GAN)を提案した。著者らの知る限り,これは4×アップスケーリング因子のフォトリアリスティックな自然画像を推定できる最初のフレームワークである。これを達成するために,筆者らは,対立する(adversarial)損失と含量損失からなる知覚損失関数を提案した。敵対的損失は,超解像画像と元のフォトリアリスティックな画像を区別するために訓練される弁別器ネットワークを用いた自然画像多様体への筆者らの解決策を押し進める。添加では,画素空間における類似性の代わりに知覚的類似性によって動機づけられ含量損失を用いた。著者らの深く残留ネットワークである公共ベンチマークに大きくダウンサンプリング画像からフォトリアリスティックなテクスチャを回収することができた。広範な平均オピニオンスコア(MOS)試験はSRGANを用いた知覚品質における非常に大きな利得を示した。SRGANで得られたMOSスコアは最先端手法で得られたものよりも元の高解像度画像のそれに近かった。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】