StereoMamba+: A Novel Stereo Image Super-Resolution Framework With Adaptive Dependency Capture and Enhanced Feature Fusion
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
Stereo image Super-Resolution (SR) aims to enhance image resolution by leveraging complementary information in stereo pairs. Convolutional Neural Networks (CNNs), widely used in stereo image SR for their strong local pattern extraction capabilities, often fail to capture long-range dependencies critical for stereo correspondence. On the other hand, Swin Transformers have demonstrated superior performance in modeling long-range dependencies for stereo image SR tasks. However, their computational complexity scales quadratically with the window size, leading to a trade-off between global receptive fields and computational efficiency. To tackle these challenges, we propose StereoMamba+, a novel stereo image SR method designed to adaptively capture both local and global dependencies in stereo pairs. Leveraging the Mamba architecture as its backbone, StereoMamba+ integrates an Adaptive State Space Module (ASSM) that efficiently extracts and fuses global and local features, maintaining linear computational complexity. Additionally, a Gated Enhanced Feed-Forward Network (GEFN) selectively amplifies essential features and depth cues, and a Residual Frequency Block (RFB) is employed to capture global features in the frequency domain. To further enhance stereo correspondence, we introduce a Stereo Bi-Directional Cross Attention Module (SBCAM), aligning unique features along both horizontal and vertical epipolar lines to improve stereo consistency. Extensive experiments demonstrate that our proposed StereoMamba+ method achieves state-of-the-art performance on 2× and 4× stereo image SR tasks, delivering PSNR improvements of up to 0.45dB, while maintaining competitive parameter efficiency compared to existing methods.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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