Hitchhiker’s Guide to Super-Resolution: Introduction and Recent Advances

要約

ディープラーニング (DL) の出現により、超解像 (SR) も盛んな研究分野になりました。
ただし、有望な結果にもかかわらず、この分野は、たとえば、柔軟なアップサンプリング、より効果的な損失関数、およびより良い評価指標を可能にするなど、さらなる研究を必要とする課題に直面しています。
最近の進歩に照らして SR のドメインを見直し、拡散 (DDPM) や変圧器ベースの SR モデルなどの最先端のモデルを調べます。
SR で使用される現代的な戦略についての批判的な議論を提示し、有望だが未踏の研究の方向性を特定します。
不確実性による損失、ウェーブレット ネットワーク、ニューラル アーキテクチャ検索、新しい正規化手法、最新の評価手法など、この分野の最新の開発を組み込むことで、以前の調査を補完します。
また、この分野の傾向をグローバルに理解できるように、各章全体でモデルと方法のいくつかの視覚化も含まれています。
このレビューは、最終的に研究者が SR に適用される DL の境界を押し広げるのを支援することを目的としています。

要約(オリジナル)

With the advent of Deep Learning (DL), Super-Resolution (SR) has also become a thriving research area. However, despite promising results, the field still faces challenges that require further research e.g., allowing flexible upsampling, more effective loss functions, and better evaluation metrics. We review the domain of SR in light of recent advances, and examine state-of-the-art models such as diffusion (DDPM) and transformer-based SR models. We present a critical discussion on contemporary strategies used in SR, and identify promising yet unexplored research directions. We complement previous surveys by incorporating the latest developments in the field such as uncertainty-driven losses, wavelet networks, neural architecture search, novel normalization methods, and the latests evaluation techniques. We also include several visualizations for the models and methods throughout each chapter in order to facilitate a global understanding of the trends in the field. This review is ultimately aimed at helping researchers to push the boundaries of DL applied to SR.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google