Comparative Analysis of Edge Based Single Image Superresolution (和訳) 2. Approaches of Super-resolution
2. Approaches of Super-resolution
超解像のアプローチ
Many techniques have been proposed over the last two decades [2] representing approaches from frequency domain to spatial domain, and from signal processing perspective to machine learning perspective.
周波数領域から空間領域へのアプローチ、および信号処理の視点から機械学習の視点までを表す多くの技術が過去20年間に提案されている[2] 。
Early works on super-resolution mainly followed the theory of [1] by exploring the shift and aliasing properties of the Fourier transform.
超解像に関する初期の研究は、フーリエ変換のシフトおよびエイリアス特性を調べることによって主に[1]の理論に従った。
Approaches addressing the SR problem can be categorized as reconstruction based, example based, learning based and interpolation based.
アドレッシングアプローチSRの問題をベースと復興に分類することができ、例えばベース、ベースと補間がベースの学習。
2.1 Reconstruction Based Approach
再構成ベースのアプローチ
The basic idea of reconstruction-based superresolution is to exploit additional information from successive LR frames with sub pixel displacements and then to synthesize an HR image or a sequence.
再構成ベースの超解像の基本的な考え方は、サブピクセル変位を伴う連続するLRフレームからの追加情報を利用し、次にHR画像またはシーケンスを合成することである。
Most of the algorithms solve the super-resolution problem which is in spatial domain.
Iterative backprojection [3] algorithms estimate the HR image by iteratively back projecting the error between simulated LR images and the observed ones.
反復逆投影[3]アルゴリズムは、シミュレートされたLR画像と観測された画像との間の誤差を反復的に逆投影することによって、HR画像を推定する。
Maximum a posteriori (MAP) [5] approaches adopt the prior probability of target HR images to stabilize the solution space under a Bayesian framework. However, these approaches are computationally demanding.
最大事後確率（MAP）[5]アプローチは、ベイジアンフレームワークの下で解空間を安定化するために、ターゲットHR画像の事前確率を採用する。しかしながら、これらの手法は計算上要求が厳しい。
2.2 Example Based Approach
Generic image priors are usually deployed to regularize the solution properly.
Generic image priors は通常、ソリューションを適切に正規化するようデプロイされます。
The regularization becomes especially crucial when insufficient number of measurements is supplied, as in the extreme case, only one single low-resolution frame is observed. In such cases, generic image priors do not suffice as an effective regularization for SR [2].
極端な場合には単一の低解像度フレームしか観察されないので、測定の数が不十分な場合には正則化は特に重要になる。このような場合、一般的な画像事前分布は、SR [2]の有効な正則化としては不十分である。
Different from previous approaches where the prior is in a parametric form regularizing on the whole image, the example-based methods develop the prior by sampling from other images, similar to in a local way.
前例がパラメトリック形式でイメージ全体を規則正しくする従来のアプローチとは異なり、サンプルベースの方法は、局所的な方法と同様に、他のイメージからサンプリングすることによって事前に展開する。
2.3 Statistical or Learning Based Approach
Learning based techniques estimate high frequency details from a large training set of HR images that encode the relationship between HR and LR images [5].
学習ベースの技術は、大規模なトレーニングセットからの高周波数内容を推定HRの関係符号化画像との間の HRおよびLR画像を[5]。
These approaches effectively hallucinate missing details based on similarities between the LR image and the examples in the training set.
これらのアプローチは、LR画像とトレーニングセットの例との間の類似性に基づいて欠落したデテールを効果的に幻覚させる。
These approaches have been applied to SR in various ways, including generic detail synthesis for up sampling, edge-focused detail synthesis [4], imposing consistency on synthesized detail and targeting multiple low-resolution images.
これらのアプローチは、アップサンプリングのためのジェネリックディテール合成、エッジに焦点を当てたディテール合成[4]、合成されたディテールへの一貫性の付与、複数の低解像度画像のターゲティングなど、様々な方法でSRに適用されてきました。
One crucial problem in learning-based superresolution algorithms is the representation of the high-frequency component of an HR image.
学習ベースの超解像度アルゴリズムにおける1つの重大な問題は、HR画像の高周波成分の表現である。
Other problems of learning-based approaches are related to the fact that prior information used is not usually valid for arbitrary scaling factors and the fact that they are computationally expensive.
学習ベースのアプローチの他の問題は、使用される事前情報が通常、任意のスケーリングファクタに対して有効ではなく、計算上高価であるという事実に関連している。
2.4 Interpolation Based Approach
In the SR problem there is a requirement to obtain a digital image, which is to be represented on an enlarged grid from original data sampled on a smaller grid.
でSRの問題も小さいグリッド上でサンプリング元データから拡大グリッド上で表現されるデジタル画像を取得する必要があります。
This image should be look like it had been captured with a sensor having the resolution of the upscaled image or, at least, present a natural texture.
この画像は、アップスケールされた画像の解像度を有するセンサで捕捉されたか、少なくとも自然なテクスチャを提示したように見えるべきである。
Methods like bilinear or bicubic interpolation which are commonly applied to solve this problem are less effective to fulfill these requirements as many times these methods results into creating images that are affected by artifacts like jagged contours, and over smoothing.
この問題を解決するために一般的に適用されるバイリニアまたはバイキュービック補間のような方法は、これらの方法が平滑化を超えた結果として、ギザギザの輪郭のようなアーティファクトの影響を受けた画像を生成する。
Even edge-adaptive methods [8] could easily reach realtime performances; however, they often introduce several artifacts.
エッジ適応型の手法[8]でもリアルタイム性の高いパフォーマンスに容易に到達することができる。しかし、それらはしばしばいくつかのアーティファクトを導入する。
Whereas more effective non iterative edgeadaptive methods like new edge-directed interpolation (NEDI) [9] or improved NEDI (iNEDI) [10] leads to computational complexity even higher than that of many learning-based methods.
新しいエッジ指向補間（NEDI）[9]や改善されたNEDI（iNEDI）[10]のような、より効果的で非反復的なエッジ適応的手法が、多くの学習ベースの方法よりも計算上の複雑さをもたらす。
Other optimization methods as given in [2] are often able to obtain good edge behavior, even if sometimes at the cost of texture flattening.
[2]で与えられた他の最適化方法は、しばしばテクスチャの平坦化を犠牲にしても、良好なエッジ挙動を得ることができる。
An image upscaling method iterative curvature based interpolation (ICBI) technique as explained in [7] is able to obtain artifact-free enlarged images preserving relevant image features and natural texture.
参考文献[7]で説明されているように、イメージアップスケーリング法反復曲率ベース補間（ICBI）技術は、関連する画像特徴および自然なテクスチャを保存したアーチファクトフリーの拡大画像を得ることができる。
