PyTorchKR Papers

최신 논문

총 1,524편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2504.14582v3cs.CV공식 코드 · Papers with Code

NTIRE 2025 이미지 초해상도(x4) 챌린지: 방법 및 결과

NTIRE 2025 Challenge on Image Super-Resolution (x4): Methods and Results

이 논문은 CVPR 2025에서 개최되는 제10회 NTIRE 워크샵의 연계 경진대회 중 하나인 NTIRE 2025 이미지 초해상도($\times$4) 챌린지를 소개합니다. 이 챌린지의 목표는 $\times$4 배율의 바이큐빅 다운샘플링(bicubic downsampling)을 통해 생성된 저해상도(LR) 이미지로부터 고해상도(HR) 이미지를 복원하는 것입니다. 그 목적은 최첨단 SR 성능을 달성하는 효과적인 네트워크 설계 또는 솔루션을 개발하는 데 있습니다. 이미지 SR 연구의 이중적인 목표를 반영하기 위해 본 챌린지는 두 개의 하위 트랙으로 구성됩니다: (1) 픽셀 단위 정확도를 강조하고 PSNR을 기준으로 제출물을 순위 매기는 복원(restoration) 트랙, (2) 시각적 사실감에 초점을 맞추고 지각적 점수(perceptual score)로 결과를 순위 매기는 지각(perceptual) 트랙입니다. 총 286명의 참가자가 경진대회에 등록하였고, 25개 팀이 유효한 결과물을 제출했습니다. 본 보고서는 챌린지 설계, 데이터셋, 평가 프로토콜, 주요 결과 및 각 팀의 방법론을 요약합니다. 이 챌린지는 최첨단 기술을 발전시키고 이미지 초해상도 분야의 진전을 도모하는 벤치마크 역할을 합니다.

arXiv:2406.07435v2cs.CV

앨리어싱을 경계하십시오 -- 신호 보존은 견고한 이미지 복원에 필수적입니다

Beware of Aliases -- Signal Preservation is Crucial for Robust Image Restoration

이미지 복원 네트워크는 일반적으로 인코더와 디코더로 구성되며, 각각 노이즈가 섞이거나 왜곡된 데이터에서 이미지 콘텐츠를 집계하고 깨끗하고 왜곡되지 않은 이미지를 복원하는 역할을 담당합니다. 데이터 집계와 고해상도 이미지 생성은 모두 앨리어싱이 포함될 위험이 따르는데, 즉 표준 아키텍처는 검증 데이터에서 높은 PSNR 값을 달성하기 위해 모델 입력을 재구성하는 능력을 위태롭게 만듭니다. 그 대가는 낮은 모델 견고성입니다. 본 연구에서는 최첨단 재구성 트랜스포머에 단순히 앨리어싱 없는 경로를 제공하는 것만으로도 복원 성능에 대한 비용을 낮게 유지하면서 모델 견고성을 향상시킬 수 있음을 보여줍니다. 우리는 이를 위해 BOA-Restormer를 제안합니다. 이는 트랜스포머 기반 이미지 복원 모델로, 모델 전체에 걸쳐 앨리어싱 없는 경로를 보장하고 잠재적으로 모든 관련 고주파 정보를 보존하기 위해 다운샘플링 및 업샘플링 연산의 일부를 주파수 영역에서 수행합니다.

arXiv:2404.09790v2cs.CV공식 코드 · Papers with Code

NTIRE 2024 이미지 초해상도(x4) 챌린지: 방법 및 결과

NTIRE 2024 Challenge on Image Super-Resolution (x4): Methods and Results

이 논문은 이미지 초해상도($\times$4)에 관한 NTIRE 2024 챌린지를 검토하고, 제안된 해결책과 도출된 결과를 조명합니다. 이 챌린지는 사전 정보를 활용하여 저해상도(LR) 입력으로부터 4배 확대된 대응하는 고해상도(HR) 이미지를 생성하는 과정을 포함합니다. LR 이미지는 바이큐빅 다운샘플링에 의한 열화에서 비롯됩니다. 이 챌린지의 목적은 연산 자원(예: 모델 크기 및 FLOPs)이나 학습 데이터에 대한 제약 없이 최고 수준의 초해상도(SR) 성능을 보여주는 설계나 솔루션을 도출하는 것입니다. 해당 챌린지 트랙은 DIV2K 테스트 데이터셋에서 PSNR 지표를 사용하여 성능을 평가합니다. 이번 대회에는 199명이 등록하였고, 그중 20개 팀이 유효한 결과물을 제출했습니다. 이러한 집단적 노력은 단일 이미지 초해상도의 성능 경계를 확장할 뿐만 아니라, 이 분야의 최신 동향에 대한 포괄적인 개요를 제공합니다.

arXiv:2605.14166v2cs.CV

랜드마크는 단 한 번: YOLO-World 랜드마크 히트맵을 활용한 경량 U-Net 얼굴 초해상도

You Only Landmark Once: Lightweight U-Net Face Super Resolution with YOLO-World Landmark Heatmaps

얼굴 이미지 초해상도(face image super-resolution)는 심각하게 저하된 입력으로부터 고해상도 얼굴 이미지를 복원하는 것을 목표로 합니다. 극단적인 업스케일링 배율에서는 세밀한 얼굴 디테일이 종종 손실되어 정확한 복원이 어렵습니다. 기존 방법들은 일반적으로 무거운 네트워크 아키텍처, 적대적 학습 방식, 또는 별도의 정렬(alignment) 네트워크에 의존하여 모델 복잡성과 연산 비용을 증가시킵니다. 이러한 문제를 해결하기 위해, 우리는 심각하게 저하된 $16{\times}16$ 입력으로부터 $128{\times}128$ 얼굴 이미지를 복원하여 $8\times$ 배율을 달성하도록 설계된 경량 U-Net 기반 아키텍처를 제안합니다. 핵심 기여는 개방형 어휘 객체 검출기인 YOLO-World가 생성한 히트맵을 활용하여 눈, 코, 입과 같은 주요 얼굴 특징을 국소화하는 새로운 보조 학습 불필요(auxiliary-training-free) 감독 전략입니다. 이 히트맵들은 공간적 가중치로 변환되어 의미적으로 중요한 영역에서의 복원 오류를 강조하는 히트맵 유도 손실을 형성합니다. 전용 랜드마크 또는 정렬 네트워크를 요구하는 기존 방법들과 달리, 우리의 접근법은 검출기 출력을 감독 신호로 직접 재사용하여 효율적인 학습 및 추론 파이프라인을 유지합니다. 정렬된 CelebA 데이터셋에 대한 실험은 제안된 손실이 정량적 지표를 일관되게 향상시키고 더 선명하며 사실적인 복원 결과를 생성함을 보여줍니다. 전반적으로, 우리의 결과는 경량 네트워크가 적대적 학습이나 연산 비용 증가 없이 검출 기반 사전 정보(detection-driven priors)를 효과적으로 활용하여 지각적으로 설득력 있는 극단적 업스케일링을 달성할 수 있음을 보여줍니다.