Crafting Training Degradation Distribution for the Accuracy-Generalization Trade-off

要約

実世界のアプリケーション向けに設計された超解像 (SR) 技術は、一般に汎化パフォーマンスと復元精度という 2 つの主要な課題に直面します。
一般化を強化するために複雑で広範囲の劣化を使用してメソッドをトレーニングすると、精度の低下が避けられないことを示します。
ただし、特定の現実世界のアプリケーションにおける劣化は通常、限られた変動範囲を示すため、この範囲内で汎化パフォーマンスとテスト精度の間でトレードオフを図ることが可能になります。
この研究では、少数の参照画像セットを使用してトレーニング劣化分布を作成するための新しいアプローチを紹介します。
私たちの戦略は、劣化空間のビン化表現と劣化分布間のフレシェ距離に基づいています。
私たちの結果は、提案された手法が実際のアプリケーションでの一般化機能を維持しながら、テスト画像のパフォーマンスを大幅に向上させることを示しています。

要約(オリジナル)

Super-resolution (SR) techniques designed for real-world applications commonly encounter two primary challenges: generalization performance and restoration accuracy. We demonstrate that when methods are trained using complex, large-range degradations to enhance generalization, a decline in accuracy is inevitable. However, since the degradation in a certain real-world applications typically exhibits a limited variation range, it becomes feasible to strike a trade-off between generalization performance and testing accuracy within this scope. In this work, we introduce a novel approach to craft training degradation distributions using a small set of reference images. Our strategy is founded upon the binned representation of the degradation space and the Fr\’echet distance between degradation distributions. Our results indicate that the proposed technique significantly improves the performance of test images while preserving generalization capabilities in real-world applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google