Ultra Sharp : Single Image Super Resolution using Residual Dense Network

要約

タイトル：Residual Dense Networkを用いた単一画像超解像度：Ultra Sharp

要約：

– シングルイメージスーパーリゾリューション（SISR）は、コンピュータビジョンにおける興味深く未解決の問題である。
– 従来のスーパーリゾリューション（SR）画像アプローチには、補間、再構築、学習ベースの方法がある。
– 補間方法は高速で計算が簡単だが、精度や信頼性が低い。
– 再構築ベースの方法は、補間方法に比べて優れているが、拡大率が増すにつれて時間がかかり、品質が低下する。
– マルコフランダムチェーンなどの学習ベースの方法は、以前の方法よりも優れているが、SISRのディープラーニングモデルのパフォーマンスには及ばない。
– このプロジェクトでは、Yhangらによって提案されたレジデュアルデンスネットワーク構成を改良し、構成要素の重要性を分析します。
– このアーキテクチャは、元の低解像度（LR）画像から階層的な特徴を完全に活用して高いパフォーマンスを実現します。
– ネットワーク構造は4つの主要なブロックで構成されます。アーキテクチャの中核はレジデュアルデンスブロック（RDB）であり、ローカル特徴が密な畳み込み層を介して抽出されて利用されます。
– この研究では、各ブロックの調査と各モジュールの効果の研究と分析が行われました。また、さまざまな損失メトリックを使用した分析も行われました。
– さらに、アーキテクチャや構成要素が大きく異なるさまざまな最先端モデルと比較しても、このプロジェクトでモジュールがゼロから構築され、トレーニングとテストが実施され、様々なスケーリングファクターを用いてパフォーマンスが評価されました。

要約(オリジナル)

For years Single Image Super resolution(SISR) is an interesting and ill posed problem in Computer Vision. The traditional Super Resolution(SR) imaging approaches involve Interpolation, Reconstruction and Learning based methods. Interpolation methods are fast and uncomplicated to compute but they are not so accurate and reliable. Reconstruction based methods are better compared with Interpolation methods but are time consuming and quality degrades as the scaling increases. Even though, Learning based methods like Markov random chain are far better then all the previous they are unable to match the performance of deep learning models for SISR. In this project, Residual Dense Networks architecture proposed by Yhang et al \cite{srrdn} was extended to involve novel components and the importance of components in this architecture will be analysed. This architecture makes full use of hierarchial features from original low-resolution (LR) images to achieve higher performance. The network structure consists of four main blocks. The core of the architecture is the residual dense block(RDB) where the local features are extracted and made use of via dense convolutional layers. In this work, investigation of each block was performed and effect of each modules was be studied and analyzed. Analyses by use various loss metric was also carried out in this project. Also a comparison was made with various state of the art models which highly differ by architecture and components. The modules in the model were be built from scratch and were trained and tested. The training and testing was be carried out for various scaling factors and the performance was be evaluated.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI