文献

J-GLOBAL ID：202002292106257132   整理番号：20A2524113

画像超解像と劣化除去の同時反復学習

著者 (3件)： 吉田智樹 (豊田工大) ,  秋田和俊 (豊田工大) ,  浮田宗伯 (豊田工大)
資料名： 情報処理学会研究報告(Web)  (IPSJ Technical Report (Web))
巻： 2020  号： CVIM-223  ページ： Vol.2020-CVIM-223,No.12,1-8 (WEB ONLY)  発行年： 2020年10月29日 
JST資料番号： U0451A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 深層学習を利用する超解像(SR)手法の多くは,高解像度画像(HR画像)が双三次補間法などの特定の過程によってのみ縮小された低解像画像(LR画像)に対するSRモデルを学習している.このような手法では,その特定の劣化以外のLR画像に対しては,性能が落ちてしまう.実応用のためには,多様な任意の劣化に対応可能な手法が望まれる.任意の劣化に対応するためのSRとして,入力LR画像が得られた劣化の種類を推定し,その劣化に対応したSRを実行する手法が多く提案されている.しかし,既存手法の多くは,劣化推定の学習には劣化カーネルと真値との損失のみで学習していいる.これに加え,得られるSR画像と劣化推定の結果を使って擬似LR画像を生成し,それと入力LR画像との誤差(差分)も用いることで,劣化推定の性能を上げられると考える.そこで,本研究では,この差分を損失に加え,さらに誤差をモデル内でも使用し,画像特徴量に付与することで,多様な劣化に対応したSR画像生成の精度も上げることを目指す.また,SRと劣化除去(ボケ除去)を反復的に行うことで,より性能の高いSRを目指す.(著者抄録)

シソーラス用語： *画像処理 ,  超解像 ,  *劣化 ,  高分解能 ,  *機械学習 ,  指標 ,  学習 ,  実験
準シソーラス用語： 画質劣化 ,  画像特徴量 ,  画像劣化 ,  高解像度 ,  深層学習 ,  反復学習 ,  評価実験

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  人工知能  (JE08000Z)

引用文献 (19件)：

• Dong, C., Loy, C., He, K. and Tang, X.:Image superresolution using deep convolutional networks, IEEE transactions on pattern analysis and machine intelligence, 2016
• Kim, J., Kwon Lee, J. and Mu Lee, K.: Accurate image super-resolution using very deep convolutional networks, In Proceedings of the IEEE conference on computer vision and pattern recognition, 2016
• Goodfellow ,I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A. and Bengio, Y.: Generative adversarial nets, Advances in Neural Information Processing Systems, 2014
• Ledig, C., Theis, L., Huszár, F., Caballero, J., Cunningham, A., Acosta, A., Aitken, A., Tejani, A., Totz, J., Wang, Z. and W., Shi: Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network, In:Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017
• Johnson, J., Alahi, A. and Fei-Fei, L.: Perceptual losses for real-time style transfer and super-resolution, In European conference on computer vision, 2016

タイトルに関連する用語 (2件)： 超解像 ,  反復学習