Refining attention weights for facial super-resolution with counterfactual attention learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Face Super-resolution is a challenging problem involving reconstructing High- Resolution (HR) images from Low-Resolution (LR) inputs with attention mechanisms being a widely used approach. This paper introduces counterfactual attention learning (CAL), a novel framework based on causal inference that enhances attention quality in super-resolution tasks. CAL provides a strong supervisory signal, enabling the refinement of attention mechanisms during training. Through counterfactual interventions, CAL optimizes learned attention to improve super-resolution outcomes. This method is evaluated using the Scale- Arbitrary Super-Resolution model (ArbSR), which accommodates non-integer scale factors. Experiments conducted on CelebA, FFHQ, and CMU Multi-PIE datasets across different scale factors show that CAL significantly enhances super-resolution performance. On the CMU Multi-PIE dataset, CAL improves Peak Signal-to-Noise Ratio (PSNR) by up to 13.6 % compared to baseline attention mechanisms, even under challenging variations in illumination, pose, and expression. PSNR improvement of 15.5 % was observed for CelebA dataset whereas for the FFHQ dataset, 14.5 % improvement was observed under occlusion conditions. These results highlight the robustness and effectiveness of CAL in advancing the state of super-resolution, offering substantial quantitative and qualitative improvements and showcasing its potential for face superresolution in real-world conditions.
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.
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 | 0,001 |
| 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 découle