文献

J-GLOBAL ID：202202243189467791   整理番号：22A1213746

低解像度入力の整合集合へのメトリック射影を用いた敵対的生成ネットワークによる画像超解像

Image Super-Resolution via Generative Adversarial Networks Using Metric Projections onto Consistent Sets for Low-Resolution Inputs

著者 (4件)： YAMAMOTO Hiroya (Dept. of Information Science and Engineering, Ritsumeikan University) ,  KITAHARA Daichi (Dept. of Information Science and Engineering, Ritsumeikan University) ,  KURODA Hiroki (Dept. of Information Science and Engineering, Ritsumeikan University) ,  HIRABAYASHI Akira (Dept. of Information Science and Engineering, Ritsumeikan University)
資料名： IEICE Transactions on Fundamentals of Electronics, Communications and Computer Sciences (Web)  (IEICE Transactions on Fundamentals of Electronics, Communications and Computer Sciences (Web))
巻： E105.A  号： 4  ページ： 704-718(J-STAGE)  発行年： 2022年 
JST資料番号： U0466A  ISSN： 1745-1337  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 英語 (EN)

抄録/ポイント： 本論文は,畳込みニューラルネットワーク(CNN)に基づく単一画像の超解像(SR)を扱う。最小二乗誤差または最小絶対誤差によって学習されたCNNの出力SR画像における高周波成分の回復は不十分であることが知られている。現実的な高周波成分を生成するために,1つのジェネレータと1つのディスクリミネータからなる敵対的生成ネットワーク(GAN)を用いたSR法が開発されている。しかし,ジェネレータがディスクリミネータの誤判定を誘発するとき,現実的な高周波成分だけでなく,いくつかのアーティファクトも生成され,PSNRのような客観的な指標が減少する。GANベースSR法におけるアーティファクトを低減するために,筆者らは,ダウンスケーリング結果と入力画像の間の二乗誤差が特定の範囲内にあるすべてのSR画像のセットを考察し,ジェネレータの出力層におけるこの整合集合にメトリック射影を適用することを提案した。提案技法は,出力SR画像と入力画像の間の整合性を保証し,提案した射影によるジェネレータは,既知の雑音レベルに対して適切な低周波数成分を維持しながら,アーティファクトの少ない高周波成分を生成することができる。数値実験は,提案技法がGANベースSR法の元のSR画像に含まれるアーティファクトを低減すると同時に,雑音なしと雑音の多い状況の両方でより良いPSNR値を有する現実的な高周波成分を生成することを示した。ダウンスケーリングプロセスが分かっていれば,提案技法を様々なジェネレータに統合できるため,他のSR性能を低下させることなく入力画像を用いて既存の方法に整合性を持たせることができる。(翻訳著者抄録)

シソーラス用語： *画像 ,  *超解像 ,  射影 ,  *人工知能 ,  ニューラルネットワーク ,  成分 ,  誤差 ,  アーチファクト
準シソーラス用語： 高周波成分 ,  最小二乗誤差 ,  畳込みニューラルネットワーク ,  *敵対的生成ネットワーク

著者キーワード (5件)： 単一画像超解像 ,  畳込みニューラルネットワーク ,  生成敵対ネットワーク ,  計量投影 ,  一貫した集合

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

引用文献 (42件)：

• [1] H. Yamamoto, D. Kitahara, and A. Hirabayashi, “Image super-resolution via generative adversarial network using an orthogonal projection,” Proc. Eur. Signal Process. Conf. (EUSIPCO), Amsterdam, The Netherlands, pp.660-664, Oct. 2020. 10.23919/eusipco47968.2020.9287515
• [2] J. Yang, J. Wright, T.S. Huang, and Y. Ma, “Image super-resolution via sparse representation,” IEEE Trans. Image Process., vol.19, no.11, pp.2861-2873, Nov. 2010. 10.1109/tip.2010.2050625
• [3] M. Elad, Sparse and Redundant Representations: From Theory to Applications in Signal and Image Processing, Springer, New York, NY, USA, 2010. 10.1007/978-1-4419-7011-4
• [4] C. Dong, C.C. Loy, K. He, and X. Tang, “Image super-resolution using deep convolutional networks,” IEEE Trans. Pattern Anal. Mach. Intell., vol.38, no.2, pp.295-307, Feb. 2016. 10.1109/tpami.2015.2439281
• [5] C. Dong, C.C. Loy, and X. Tang, “Accelerating the super-resolution convolutional neural network,” Proc. Eur. Conf. Comput. Vis. (ECCV), Amsterdam, The Netherlands, pp.391-407, Oct. 2016. 10.1007/978-3-319-46475-6_25

タイトルに関連する用語 (7件)： 低解像度 ,  整合 ,  集合 ,  メトリック ,  射影 ,  敵対的生成ネットワーク ,  超解像