Image Super-Resolution With Deep Variational Autoencoders

要約

画像超解像 (SR) 技術は、低解像度画像から高解像度画像を生成するために使用されます。
これまで、自己回帰モデルや敵対的生成ネットワーク (GAN) などの深い生成モデルは、高解像度画像のモデリングに効果的であることが証明されてきました。
VAE ベースのモデルは、生成性能が弱いとしばしば批判されてきましたが、VDVAE などの新しい進歩により、ディープ VAE が高解像度画像生成の現在の最先端モデルよりも優れた性能を発揮する可能性があるという強力な証拠が得られています。
.
このホワイト ペーパーでは、VDVAE-SR を紹介します。これは、最新のディープ VAE 方法論を活用して、同様のモデルの結果を改善することを目的とした新しいモデルです。
VDVAE-SR は、事前トレーニング済みの VDVAE で転移学習を使用して画像の超解像に取り組みます。
提示されたモデルは、他の最先端のモデルと競争力があり、画質メトリックに匹敵する結果をもたらします。

要約(オリジナル)

Image super-resolution (SR) techniques are used to generate a high-resolution image from a low-resolution image. Until now, deep generative models such as autoregressive models and Generative Adversarial Networks (GANs) have proven to be effective at modelling high-resolution images. VAE-based models have often been criticised for their feeble generative performance, but with new advancements such as VDVAE, there is now strong evidence that deep VAEs have the potential to outperform current state-of-the-art models for high-resolution image generation. In this paper, we introduce VDVAE-SR, a new model that aims to exploit the most recent deep VAE methodologies to improve upon the results of similar models. VDVAE-SR tackles image super-resolution using transfer learning on pretrained VDVAEs. The presented model is competitive with other state-of-the-art models, having comparable results on image quality metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google