文献

J-GLOBAL ID：202002233831297272   整理番号：20A2573381

単一画像超解像のための積層リグレッサの学習【JST・京大機械翻訳】

Learning stacking regressors for single image super-resolution

著者 (6件)： Zhang Kaibing (School of Electronics and Information, Xi’an Polytechnic University, Xi’an, China) ,  Luo Shuang (School of Electronics and Information, Xi’an Polytechnic University, Xi’an, China) ,  Li Minqi (School of Electronics and Information, Xi’an Polytechnic University, Xi’an, China) ,  Jing Junfeng (School of Electronics and Information, Xi’an Polytechnic University, Xi’an, China) ,  Lu Jian (School of Electronics and Information, Xi’an Polytechnic University, Xi’an, China) ,  Xiong Zenggang (School of Computer and Information Science, Hubei Engineering University, Xiaogan, China)
資料名： Applied Intelligence  (Applied Intelligence)
巻： 50  号： 12  ページ： 4325-4341  発行年： 2020年 
JST資料番号： W0297A  ISSN： 0924-669X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 用例学習ベースの単一画像超解像(SR)技術は,与えられた低解像度(LR)入力からより微細な詳細で高解像度(HR)画像を復元するその有効性のために広く認識されてきた。しかし,最も一般的な手法は,LRとHR画像間のマッピング関係を学習するために,1種類の画像特徴のみを選択し,異なる自然画像の多様性に適合するのを困難にする。本論文では,2つの相補的モデルを訓練するために,画像の勾配特徴とテクスチャ特徴を同時に抽出することにより,新しい積層学習ベースSRフレームワークを提案した。勾配特性がエッジ構造を表現するのに役立っているので,テクスチャ特徴がテクスチャの詳細を回復するのに有益であるので,新たに提案された方法は,2つの相補的特徴の長所を重く組み合わせ,結果として得られたHR画像をそれらの元の対応物に忠実にする。さらに,超解像画像と対応するオリジナル画像間のギャップをさらに低減するために,残差カスケード方式を用いてSR容量を強化した。7つのベンチマークデータセットで行った実験結果は,提案したSRフレームワークが,定量的および定性的品質評価において,他の7つの最先端のSR法よりも良好に機能することを示した。Copyright Springer Science+Business Media, LLC, part of Springer Nature 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  残差 ,  画像特性 ,  *超解像 ,  有効性 ,  高分解能 ,  ベンチマーク
準シソーラス用語： 用例 ,  品質評価 ,  自然画像 ,  低分解能 ,  テクスチャ特徴 ,  オリジナルイメージ , 【Automatic Indexing@JST】

著者キーワード (3件)： 単一画像超解像(SR) ,  スタッキング学習 ,  残差カスケード回帰

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (2件)： 超解像 ,  学習