Ultra Sharp : Study of Single Image Super Resolution using Residual Dense Network

要約

タイトル：Residual Dense Networkを使用したシングルイメージ超解像度の研究（Ultra Sharp）

要約：
– シングルイメージ超解像度（SISR）は、コンピュータビジョンにおいて長年興味深く、不適切な問題であった。
– 従来の超解像度（SR）画像処理手法には、補間、再構築、学習ベースの手法がある。
– 補間法は高速で計算が簡単だが、正確性と信頼性が低い。
– 再構築ベースの手法は補間法に比べて良いが、スケーリングが増加するにつれて品質が劣化する。
– マルコフランダムチェーンのような学習ベースの手法は、これまでの手法よりも優れているが、SISRのための深層学習モデルの性能には及ばない。
– 本研究は、Yhang et al. [17]によって提案されたResidual Dense Networksアーキテクチャを調査し、その構成要素の重要性を分析している。
– 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利用することで優れたパフォーマンスを実現しており、4つのメインブロック、中心となる残留密度ブロック（RDB）を含むネットワーク構造で構成されている。
– 各ブロックを調査し、さまざまな損失メトリックを使用して分析することで、アーキテクチャの有効性を評価し、アーキテクチャと構成要素が異なる最新のモデルと比較している。

要約(オリジナル)

For years, Single Image Super Resolution (SISR) has been 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 they are time-consuming and the quality degrades as the scaling increases. Even though learning-based methods like Markov random chains are far better than all the previous ones, they are unable to match the performance of deep learning models for SISR. This study examines the Residual Dense Networks architecture proposed by Yhang et al. [17] and analyzes the importance of its components. By leveraging hierarchical features from original low-resolution (LR) images, this architecture achieves superior performance, with a network structure comprising four main blocks, including the residual dense block (RDB) as the core. Through investigations of each block and analyses using various loss metrics, the study evaluates the effectiveness of the architecture and compares it to other state-of-the-art models that differ in both architecture and components.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI