Downloaded 11 times
![[論文紹介] Convolutional Neural Network(CNN)による超解像](https://cdn.slidesharecdn.com/ss_thumbnails/cnn-presen-161218113749-thumbnail.jpg?width=640&height=640&fit=bounds)
![[DL輪読会]MetaFormer is Actually What You Need for Vision](https://cdn.slidesharecdn.com/ss_thumbnails/20220121metaformer-220121085750-thumbnail.jpg?width=640&height=640&fit=bounds)
![[DL輪読会]Deep Face Recognition: A Survey](https://cdn.slidesharecdn.com/ss_thumbnails/20181221-181221023935-thumbnail.jpg?width=640&height=640&fit=bounds)
![[cvpaper.challenge] 超解像メタサーベイ #meta-study-group勉強会](https://cdn.slidesharecdn.com/ss_thumbnails/metastudysr-190314071853-thumbnail.jpg?width=640&height=640&fit=bounds)
関西CVPRML勉強会資料20150627
- 1.
- 2.
- 3. 今回紹介する論文 Image Super-Resolution UsingDeep Convolutional Networks Waifu 2xの元論文！ 3
- 4.
- 5.
- 6.
- 7. 概要 この論文における新規性 ・Convolutional Neural Networkを用いた学習型超解像 ・3チャンネル同時に処理が可能 ・オンラインで実用時間で運用できる速度が出る 7
- 8.
- 9.
- 10. 提案手法 以下の4つから構成される ・Preprocessing ・Patch extraction andrepresentation ・Non-linear mapping ・Reconstruction ４つを通して低解像度画像Yを元の高解像度画像X に極めて近い画像F(Y)に変換する 10
- 11.
- 12.
- 13. 提案手法 Patch extraction andrepresentation ・フィルタサイズ :f1×f1=9×9 ・中間層1厚み :𝑛1 ・活性化関数 :ReLU 低解像度画像 中間層1 13
- 14. 提案手法 Patch extraction andrepresentation 𝑛1 低解像度画像 中間層1 𝑛1＝フィルタの枚数 14 ・フィルタサイズ :f1×f1=9×9 ・中間層1厚み :𝑛1 ・活性化関数 :ReLU
- 15. 提案手法 Patch extraction andrepresentation 𝑛1次元 バイアス項 入力された 低解像度画像 𝑊1 = c ∗ 𝑓1 ∗ 𝑓1 ∗ 𝑛1 𝑐:画像の色の数 （ex.RGB=3） 𝑓1 ∗ 𝑓1 :9*9サイズの フィルタ 𝑛1：フィルタの枚数 𝑓1 𝑓1 全てのピクセル に値が入ってい るベクトル 15
- 16.
- 17. Non-linear mapping 提案手法 ・フィルタサイズ :f2*f2=1*1 ・中間層2厚み:𝑛2 ・活性化関数 :ReLU 𝑛2 中間層1 中間層2 ＋ ＋ 17
- 18. 提案手法 𝑊2 = 𝑛1∗ 𝑓2 ∗ 𝑓2 ∗ 𝑛2 𝑓2 ∗ 𝑓2 :1×1サイズの フィルタ 𝑛2：フィルタの枚数 𝑛1：フィルタの枚数 𝑛2次元 バイアス項 学習した中間層1 の値 𝑓2 𝑓2 ベクトル ｚ Non-linear mapping 18
- 19.
- 20.
- 21. 提案手法 𝑊3 = 𝑛2∗ 𝑓3 ∗ 𝑓3 ∗ 𝑐 𝑐:画像の色の数 （ex.RGB=3） 𝑓3 ∗ 𝑓3 :フィルタ 𝑛2：フィルタの枚数 𝑐次元の バイアス項 学習した中間層2 の値 𝑓3 𝑓3 全てのピクセル に値が入ってい るベクトル Reconstruction 21
- 22. 提案手法 フィルタとバイアスの初期化 ・フィルタ 𝑓𝑖 ∗𝑓𝑖（𝑖 = 1,2,3)： ガウス分布から平均が0,標準偏差が0.001になるよう ランダムに決定 ・バイアス𝐵𝑖 （𝑖 = 1,2,3)： 0を代入する 22
- 23. 提案手法 トレーニング方法 Θ＝｛𝑊1, 𝑊2, 𝑊3,𝐵1, 𝐵2, 𝐵3} を表す変数の集まり 𝑖番目の正解画像 𝑖番目の提案手法 修正後画像 学習画像枚数 23
- 24.
- 25.
- 26.
- 27.
- 28.
- 29. 実験と結果 従来手法5種と提案手法をPSNR値と処理時間で比較 -SC ：sparse coding-basedmethod -NE+LLE：neighbor embedding + locally linear embedding method -ANR ：Anchored Neighborhood Regression method -A+ ：Adjusted Anchored Neighborhood Regression method -KK 29
- 30.
- 31.
- 32.
- 33.
- 34.
- 35.
- 36.
- 37.
- 38.
- 39.
- 40.
- 41.
- 42.
- 43.
- 44.
- 45.
- 46.
- 47.
- 48.
- 49. 実験と結果⑤ フィルタサイズ： f1=9*9 f2=□*□ f22=1*1 f3=5*5 ＊□は可変 層の厚み： 𝑛1=64𝑛2=32 𝑛22=16 n2n1 n22 49 学習層:3層 学習する層を増やしたときの結果の違い
- 50.
- 51.
- 52.
- 53.
- 54.
- 55.
- 56.
- 57.
- 58.
- 59.
- 60.
- 61.
- 62.
- 63.
- 64.
Editor's Notes
- #60 noise quality measure namely information fidelity criterion