論文の概要: Self-Supervised Fast Adaptation for Denoising via Meta-Learning

• arxiv url: http://arxiv.org/abs/2001.02899v1
• Date: Thu, 9 Jan 2020 09:40:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 04:57:03.050310
• Title: Self-Supervised Fast Adaptation for Denoising via Meta-Learning
• Title（参考訳）: メタラーニングによる脱音のための自己教師付き高速適応
• Authors: Seunghwan Lee, Donghyeon Cho, Jiwon Kim, Tae Hyun Kim
• Abstract要約: 本稿では,最先端の教師付き復調手法を大幅に上回る新しい復調手法を提案する。 提案手法は, パラメータを追加することなく, 最先端の復調ネットワークに容易に適用可能であることを示す。
• 参考スコア（独自算出の注目度）: 28.057705167363327
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Under certain statistical assumptions of noise, recent self-supervised approaches for denoising have been introduced to learn network parameters without true clean images, and these methods can restore an image by exploiting information available from the given input (i.e., internal statistics) at test time. However, self-supervised methods are not yet combined with conventional supervised denoising methods which train the denoising networks with a large number of external training samples. Thus, we propose a new denoising approach that can greatly outperform the state-of-the-art supervised denoising methods by adapting their network parameters to the given input through selfsupervision without changing the networks architectures. Moreover, we propose a meta-learning algorithm to enable quick adaptation of parameters to the specific input at test time. We demonstrate that the proposed method can be easily employed with state-of-the-art denoising networks without additional parameters, and achieve state-of-the-art performance on numerous benchmark datasets.
• Abstract（参考訳）: ノイズの特定の統計的仮定の下では、真にクリーンな画像のないネットワークパラメータを学習するために、最近の自己教師付きアプローチが導入されており、これらの手法はテスト時に与えられた入力(内部統計)から得られる情報を利用することで、イメージを復元することができる。 しかし, 自己指導手法は, 多数の外部トレーニングサンプルを用いて, 従来の聴覚訓練手法と組み合わせられていない。 そこで本稿では,ネットワークアーキテクチャを変更することなく,与えられた入力にネットワークパラメータを適応させることにより,最先端の教師付きdenoising手法を大幅に上回る新しいdenoising手法を提案する。 さらに,テスト時に特定の入力にパラメータを迅速に適応させるメタ学習アルゴリズムを提案する。 提案手法は,新たなパラメータを伴わずに最先端のデノベーションネットワークに容易に適用でき,多数のベンチマークデータセット上で最先端の性能を実現することができることを示す。

関連論文リスト

• Direct Unsupervised Denoising [60.71146161035649]
  教師なしのデノイザは、MMSE推定のような単一の予測を直接生成しない。 本稿では,VAEと並んで決定論的ネットワークを訓練し,中心的な傾向を直接予測するアプローチを提案する。
  論文  参考訳（メタデータ） (2023-10-27T13:02:12Z)
• Self2Self+: Single-Image Denoising with Self-Supervised Learning and Image Quality Assessment Loss [4.035753155957699]
  提案手法は,合成および実世界の両方のデータセット上で,最先端の復調性能を実現する。 このことは,様々なノイズ除去タスクに対する潜在的な解決策として,本手法の有効性と実用性を強調している。
  論文  参考訳（メタデータ） (2023-07-20T08:38:01Z)
• Enhancing convolutional neural network generalizability via low-rank weight approximation [6.763245393373041]
  十分なノイズ処理は、画像処理にとって重要な第一歩であることが多い。 ディープニューラルネットワーク(DNN)は画像のノイズ化に広く利用されている。 本研究では,タッカー低ランクテンソル近似に基づく自己教師付き画像復調フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-26T14:11:05Z)
• Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
  本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。 事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。 識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
  論文  参考訳（メタデータ） (2022-07-19T14:35:42Z)
• IDR: Self-Supervised Image Denoising via Iterative Data Refinement [66.5510583957863]
  本稿では,最先端のデノナイジング性能を実現するために,教師なしの実用的なデノナイジング手法を提案する。 本手法では, 1つのノイズ画像と1つのノイズモデルしか必要とせず, 実際の生画像に容易にアクセス可能である。 実世界のアプリケーションにおける生画像復調性能を評価するため,500シーンのシーンを含む高品質な生画像データセットSenseNoise-500を構築した。
  論文  参考訳（メタデータ） (2021-11-29T07:22:53Z)
• Diffusion-Based Representation Learning [65.55681678004038]
  教師付き信号のない表現学習を実現するために,デノナイズスコアマッチングフレームワークを拡張した。 対照的に、拡散に基づく表現学習は、デノナイジングスコアマッチング目的の新しい定式化に依存している。 同じ手法を用いて,半教師付き画像分類における最先端モデルの改善を実現する無限次元潜在符号の学習を提案する。
  論文  参考訳（メタデータ） (2021-05-29T09:26:02Z)
• Noise2Kernel: Adaptive Self-Supervised Blind Denoising using a Dilated Convolutional Kernel Architecture [3.796436257221662]
  本研究では,不変性を満たす拡張畳み込みネットワークを提案し,ランダムマスキングを使わずに効率的なカーネルベーストレーニングを実現する。 また,ゼロ平均制約を回避し,塩とペッパーまたはハイブリッドノイズの除去に有効である適応型自己超過損失を提案する。
  論文  参考訳（メタデータ） (2020-12-07T12:13:17Z)
• Learning Model-Blind Temporal Denoisers without Ground Truths [46.778450578529814]
  合成データで訓練されたデノイザーは、未知のノイズの多様性に対処できないことが多い。 従来の画像ベース手法は、ビデオデノイザに直接適用した場合、ノイズが過度に収まる。 本稿では,これらの課題に対処する上で有効な,ビデオ・デノベーション・ネットワークの汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-07T07:19:48Z)
• Restore from Restored: Single Image Denoising with Pseudo Clean Image [28.38369890008251]
  我々は「再保存型」と呼ばれるシンプルで効果的な微調整アルゴリズムを提案する。 提案手法は,最先端のデノナイジングネットワーク上で容易に利用することができる。
  論文  参考訳（メタデータ） (2020-03-09T17:35:31Z)
• Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
  ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。 本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
  論文  参考訳（メタデータ） (2019-08-29T15:54:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。