Joint Super-Resolution and Inverse Tone-Mapping: A Feature Decomposition Aggregation Network and A New Benchmark

要約

ジョイント超解像および逆トーンマッピング（ジョイントSR-ITM）は、低解像度および標準ダイナミックレンジ画像の解像度とダイナミックレンジを向上させることを目的としています。最近の方法は、主にマルチブランチネットワークアーキテクチャを使用した画像分解技術に頼っています。
、これらの方法で採用される厳密な分解は、多様な画像に対するそれらのパワーを大幅に制限します。その潜在的なパワーを活用するために、この論文では、分解メカニズムを画像ドメインからより広い特徴ドメインに一般化します。
この目的のために、軽量の機能分解集約ネットワーク（FDAN）を提案します。
特に、特徴の詳細とコントラストの学習可能な分離を実現できる特徴分解ブロック（FDB）を設計します。FDBをカスケード接続することにより、強力なマルチレベルの特徴分解のための階層的特徴分解グループを構築できます。さらに、
ジョイントSR-ITMの新しいベンチマークデータセット、\ ie、SRITM-4Kは、大規模で、十分なモデルのトレーニングと評価のための多様なシナリオを提供します.2つのベンチマークデータセットの実験結果は、FDANが効率的であり、ジョイントの以前の方法よりも優れていることを示しています
SR-ITM。私たちのコードとデータセットは公開されます。

要約(オリジナル)

Joint Super-Resolution and Inverse Tone-Mapping (joint SR-ITM) aims to increase the resolution and dynamic range of low-resolution and standard dynamic range images.Recent methods mainly resort to image decomposition techniques with the multi-branch network architecture.However, the rigid decomposition employed by these methods largely restricts their power on diverse images.To exploit its potential power, in this paper, we generalize the decomposition mechanism from the image domain to the broader feature domain. To this end, we propose a lightweight Feature Decomposition Aggregation Network (FDAN). In particular, we design a Feature Decomposition Block (FDB), which can achieve learnable separation of feature details and contrasts.By cascading FDBs, we can build up a Hierarchical Feature Decomposition Group for powerful multi-level feature decomposition.Moreover, we collect a new benchmark dataset for joint SR-ITM, \ie, SRITM-4K, which is large-scale and provides versatile scenarios for sufficient model training and evaluation.Experimental results on two benchmark datasets demonstrate that our FDAN is efficient and outperforms previous methods on joint SR-ITM.Our code and dataset will be publicly released.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google