バッチ正規化(BN)のような正規化は、深層学習で中間層の分布を正規化するマイルストーン手法であり、トレーニングの高速化と一般化の精度の向上を可能にします。ただし、忠実度画像の超解像(SR)では、正規化レイヤーは機能を正規化することで範囲の柔軟性をなくし、最新のSRネットワークから削除されると考えられています。この論文では、この現象を定量的および定性的に研究します。残余特徴の標準偏差は、正規化レイヤーの後で大幅に縮小し、SRネットワークのパフォーマンスが低下することがわかりました。標準偏差は、ピクセル値の変動量を反映しています。変動が小さくなると、ネットワークが解決するためのエッジの識別力が低下します。この問題に対処するために、変調係数が適応的に予測されてピクセル偏差を増幅する適応偏差変調器(AdaDM)を提案します。より良い一般化パフォーマンスのために、提案されたAdaDMを使用して最先端
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く