BigEPIT: Scaling EPIT for Light Field Image Super-Resolution
Notice bibliographique
Résumé
Existing methods have been developed for light field (LF) image Super-Resolution (SR) and achieved continuously improved performance while suffering a significant performance drop when handling scenes with large disparity variations. EPIT [1] was proposed to mitigate the disparity issue through non-local spatial-angular correlation learning. However EPIT has limitations due to the limited scale of existing LF datasets and the presence of imbalanced LF disparity, especially the scarcity of large disparity. To address this issue, we present a series of strategies to scale EPIT, called BigEPIT, including compound model scaling, augmented data resampling, and a high-precision test scheme. Specifically, the compound scaling method simultaneously scales the depth and width of the model to better improve the model capability. The augmented resampling method employs varying sampling intervals during training data generation, rather than solely relying on the central region view. This approach mitigates issues related to disparity imbalance and overfitting. The patch-based test scheme is popular because of its small GPU memory footprint. The traditional zero padding method and window partition will destroy the LF disparity structure and degrade the performance. Moreover, we find a positive correlation between the performance and the patchsize. Therefore, we advocate a high-precision test scheme i.e., a full-size or larger patchsize without zero padding for testing wherever the GPU memory permits, to achieve superior results. Extensive experiments demonstrate the effectiveness of our proposed method, which ranked 1st place in the NTIRE 2024 Light Field Image Super-Resolution Challenge.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».