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。
ほとんどの画像雑音除去ネットワークは,全入力画像にわたって静的畳込みカーネルの単一集合を適用する。これは,しばしば不均一視覚パターンから成るので,自然画像に対して準最適である。動的畳み込みは,パーピクセル畳込みカーネルを用いてこの問題に対処することを試みたが,これは計算コストを大きく増加させる。本研究では,最小計算オーバヘッドで空間変化処理を行う,Malleable Convolution(MalleConv)を提示した。MalleConvは,空間的に変化する畳み込みカーネルのより小さなセット,静的とピクセル間の畳み込みカーネルの間の妥協を使用する。これらの空間的に変化するカーネルは,ダウンサンプル入力で動作する効率的な予測子ネットワークにより生産され,全解像度画像により生成されたピクセルカーネルよりも計算するのにはるかに効率的であり,また,静的カーネルと比較してネットワーク受容野を拡大した。次に,これらのカーネルを一緒にアップサンプリングし,最小メモリオーバヘッドを有する効率的オンザフライスライシングオペレータを通して完全解像度特徴マップに適用した。MalleConvの有効性を実証するために,著者らはMalleNetと呼ぶ効率的な雑音除去ネットワークを構築するためにそれを使用した。MalleNetは,非常に深いアーキテクチャなしで高品質な結果を達成し,類似の視覚品質を達成しながら,最良性能の雑音除去アルゴリズムよりも8.9x速くなる。また,標準的な畳み込みベースのバックボーンに付加した単一MalleConv層が,同様のコストで計算コストまたはブースト画像品質を著しく低減できることを示した。より多くの情報は,著者らのプロジェクトページ:ウルル{https://yifanjiang.net/MalleConv.html}に関するものである。【JST・京大機械翻訳】