XiaomiのFALSRアルゴリズムが正式にオープンソース化され、画像超解像エンジニアリングアプリケーションに大きな進歩をもたらしました。

本日、Xiaomi は、弾性探索 (マクロ + ミクロ) に基づく超解像で驚くべき結果を達成した新しい論文を発表しました。このモデルはオープンソース化されたと報告されています。

この論文では、同等の FLOPS で複数のモデルが生成され、その結果が ECCV 2018 スター モデル CARNM (乗算および加算パラメータの数が少ない、PNSR/SSIM 指標が高い、論文では優位とされている) よりも優れていることが示されています。これは、2018 年時点で同等の FLOPS 制約の下での SOTA になるはずです (ICCV 2017 と CVPR2018 をカバー)。この効果を実現するために、この論文では V100 を使用し、3 日もかかりませんでした。この技術には一定の普遍性があり、理論的にはあらゆる教師あり学習に適用できることを指摘しておく必要があります。注目と研究に値する技術です。

さらに、この論文ではいくつかの将来モデルも提示されています。前回の論文では、彼らの予備結果が CVPR 2016 を上回り、わずか半月で大きな進歩を遂げたことを知っておく必要があります。これは、Automl NAS テクノロジーの威力と素晴らしさをさらに証明しています。

論文アドレス: https://arxiv.org/pdf/1901.07261v2.pdf

画像超解像再構成技術とは？

画像超解像再構成技術とは、1 つまたは複数の低解像度画像から対応する高解像度画像を再構成することを指します。主に2つのカテゴリに分けられます。1つは、1枚の低解像度画像から高解像度画像を再構築することです。 2つ目は、複数の低解像度画像から高解像度画像を再構築することです。ディープラーニングに基づく SR は、主に単一画像の再構成手法に基づいています。その応用分野は軍事、医学、地理学など非常に広範囲にわたります。

超解像度再構成は、ノイズ除去、グリッド除去、ぼかし除去などの問題に似ています。低解像度の画像の場合、それに対応する高解像度の画像が複数存在する可能性があるため、高解像度画像を解くときに正規化制約を実行するために事前情報が追加されるのが一般的です。従来の方法では、この事前情報が最初に学習されるのが通常です。ディープラーニングに基づくSR方式は、ニューラルネットワークを介して低解像度画像から高解像度画像までエンドツーエンドの学習を直接実行します。