誘導超解像のためのグラフ正則化の学習【JST・京大機械翻訳】

de Lutio Riccardo; Becker Alexander; D'Aronco Stefano; Russo Stefania; Wegner Jan D.; Schindler Konrad

プレプリント

J-GLOBAL ID：202202213833756727 整理番号：22P0310947

誘導超解像のためのグラフ正則化の学習【JST・京大機械翻訳】

Learning Graph Regularisation for Guided Super-Resolution

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2022年03月27日プレプリントサーバーでの情報更新日： 2022年03月27日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

誘導超解像のための新しい定式化を導入した。そのコアは学習親和性グラフ上で動作する微分可能最適化層である。学習されたグラフポテンシャルは,ガイド画像から豊富な文脈情報を活用することを可能にし,一方,アーキテクチャ内の明示的グラフ最適化は,低解像度ソースに対する高分解能ターゲットの厳密な忠実度を保証する。予測への入力としてのみではなく,制約としてソースを使用する決定により,この方法は,誘導超解像のための最先端の深いアーキテクチャと異なり,ダウンサンプリングが,ソースを近似的に再現するだけのターゲットを生成する。これは理論的に魅力的であるだけでなく,クリスプ,より自然な画像を生成する。著者らの方法の重要な特性は,グラフ連結性は画素格子に制限されるが,関連するエッジポテンシャルは深い特徴抽出器で学習され,大きな受容野上の豊富なコンテキスト情報を符号化できることである。スパースグラフ連結性を利用して,最適化層を通して勾配を伝搬させ,データからエッジポテンシャルを学習できる。著者らは,いくつかのデータセットに関して著者らの方法を広範囲に評価し,また,定量的再構成誤差に関して最近のベースラインを一貫して上回り,一方,視覚的にシャープな出力を配信した。さらに,提案手法は訓練中に見られない新しいデータセットに特によく一般化することを実証した。【JST・京大機械翻訳】

, , , , , , , , , , , , , ,
, 【Automatic Indexing@JST】

図形・画像処理一般 , グラフ理論基礎

, , , ,

前のページに戻る