Core Concepts
入力画像の直接情報のみを使用して、画質を損なわずに効率的にアップサンプリングを行う。
Abstract
本論文では、クラシカルなアプローチによる画像アップサンプリングの手法を提案している。
まず、入力画像を様々な要因で下サンプリングし、それらの画像を用いて評価を行う。評価指標としてRMSE、PSNR、SSIMを使用し、従来の線形補間法との比較を行う。
次に、3つの手法を提案している。
KNN補間: 入力画像の各ピクセルの周辺k個のピクセルの平均値を用いて補間する。
動的アスペクト比アップサンプリング: 入力画像のアスペクト比と異なる比率でアップサンプリングを行う。
選択的アップサンプリング: 画像の一様な領域はコピーし、複雑な領域のみKNN補間を行うことで計算時間を削減する。
提案手法の評価では、KNN補間が比較的良好な結果を示し、動的アスペクト比アップサンプリングが柔軟性を高めることができた。選択的アップサンプリングは、一様な領域が多い画像では大幅な計算時間の削減が可能であることが示された。
全体として、クラシカルなアプローチでも機械学習ベースの手法と遜色ない性能が得られ、さらに低コストで実装できる可能性が示された。
Stats
RMSE、MAEが線形補間法と比べて1-12%程度の差異であることが示された。
SSIMは拡大率が大きくなるほど低下する傾向にある。
Quotes
"クラシカルな非学習ベースのアプローチでも、十分に満足のいく結果が得られた。"
"選択的アップサンプリングは、一様な領域が多い画像では大幅な計算時間の削減が可能である。"