論文の概要: CNN-Based Real-Time Parameter Tuning for Optimizing Denoising Filter Performance

• arxiv url: http://arxiv.org/abs/2001.06961v1
• Date: Mon, 20 Jan 2020 03:46:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-08 05:13:10.202559
• Title: CNN-Based Real-Time Parameter Tuning for Optimizing Denoising Filter Performance
• Title（参考訳）: フィルタ性能最適化のためのCNNに基づくリアルタイムパラメータチューニング
• Authors: Subhayan Mukherjee, Navaneeth Kamballur Kottayil, Xinyao Sun, and Irene Cheng
• Abstract要約: 本稿では,フィルタリングに基づく復調アルゴリズムの復調品質をリアルタイムに向上するための新しい方向を提案する。 我々は,最先端のフィルタリングに基づく denoising アルゴリズム BM3D を用いて,我々のアプローチを実証し,検証する。
• 参考スコア（独自算出の注目度）: 2.876893463410366
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a novel direction to improve the denoising quality of filtering-based denoising algorithms in real time by predicting the best filter parameter value using a Convolutional Neural Network (CNN). We take the use case of BM3D, the state-of-the-art filtering-based denoising algorithm, to demonstrate and validate our approach. We propose and train a simple, shallow CNN to predict in real time, the optimum filter parameter value, given the input noisy image. Each training example consists of a noisy input image (training data) and the filter parameter value that produces the best output (training label). Both qualitative and quantitative results using the widely used PSNR and SSIM metrics on the popular BSD68 dataset show that the CNN-guided BM3D outperforms the original, unguided BM3D across different noise levels. Thus, our proposed method is a CNN-based improvement on the original BM3D which uses a fixed, default parameter value for all images.
• Abstract（参考訳）: 本稿では、畳み込みニューラルネットワーク(CNN)を用いて、最適なフィルタパラメータ値を予測することにより、フィルタリングに基づく復調アルゴリズムの品質をリアルタイムで向上する新しい方向を提案する。 我々は,最先端のフィルタリングに基づく denoising アルゴリズム BM3D を用いて,我々のアプローチを実証し,検証する。 入力ノイズ画像から, 最適フィルタパラメータ値をリアルタイムに予測するために, 単純で浅いCNNを提案し, 訓練する。 各トレーニング例は、ノイズの多い入力画像(トレーニングデータ)と、最良の出力(トレーニングラベル)を生成するフィルタパラメータ値で構成される。 BSD68データセット上で広く使われているPSNRとSSIMのメトリクスを用いた定性的および定量的結果は、CNN誘導BM3Dが、異なるノイズレベルにわたって元のBM3Dより優れていることを示している。 そこで本提案手法は,全画像に対するデフォルト値の固定値を用いた元のbm3dに対するcnnによる改善である。

関連論文リスト

• IQNet: Image Quality Assessment Guided Just Noticeable Difference Prefiltering For Versatile Video Coding [0.9403328689534943]
  ジャストインタブル歪み(JND)による画像プリフィルタは、圧縮前に知覚的に冗長な情報をフィルタリングすることにより、視覚的に符号化効率を向上させる。 本稿では, 高精度なブロックレベルのJNDモデリングのための画像品質評価によって導かれる, きめ細かいJND事前フィルタリングデータセットを提案する。
  論文  参考訳（メタデータ） (2023-12-15T13:58:10Z)
• Filter Pruning for Efficient CNNs via Knowledge-driven Differential Filter Sampler [103.97487121678276]
  フィルタプルーニングは同時に計算を加速し、CNNのメモリオーバーヘッドを低減する。 本稿では,MFM(Masked Filter Modeling)フレームワークを用いた知識駆動型微分フィルタサンプリング(KDFS)を提案する。
  論文  参考訳（メタデータ） (2023-07-01T02:28:41Z)
• Multi-stage image denoising with the wavelet transform [125.2251438120701]
  深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。 動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
  論文  参考訳（メタデータ） (2022-09-26T03:28:23Z)
• Filter-enhanced MLP is All You Need for Sequential Recommendation [89.0974365344997]
  オンラインプラットフォームでは、ログされたユーザの行動データはノイズを含まないことは避けられない。 周波数領域の雑音を減衰させる信号処理から,フィルタアルゴリズムのアイデアを借用する。 逐次レコメンデーションタスクのための学習可能なフィルタを備えたオールMLPモデルである textbfFMLP-Rec を提案する。
  論文  参考訳（メタデータ） (2022-02-28T05:49:35Z)
• Batch Normalization Tells You Which Filter is Important [49.903610684578716]
  我々は,事前学習したCNNのBNパラメータに基づいて,各フィルタの重要性を評価することによって,簡易かつ効果的なフィルタ刈取法を提案する。 CIFAR-10とImageNetの実験結果から,提案手法が優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2021-12-02T12:04:59Z)
• A Comprehensive Comparison of Multi-Dimensional Image Denoising Methods [14.702885691557638]
  合成と実世界の両方のデータセットで60以上の手法を比較した。 単純な行列ベースのアルゴリズムは、テンソルと同じような結果が得られることを示す。 合成ガウスノイズで訓練されたいくつかのモデルは、実世界のカラー画像とビデオデータセットに最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2020-11-06T16:28:17Z)
• A QP-adaptive Mechanism for CNN-based Filter in Video Coding [26.1307267761763]
  本稿では、任意のCNNフィルタが異なる量子化ノイズを処理するのに役立つ汎用的な手法を提案する。 量子化ノイズが増加すると、CNNフィルタの雑音抑制能力が向上する。 提案手法により, さらなるBD-rateの0.2%低減を実現した。
  論文  参考訳（メタデータ） (2020-10-25T08:02:38Z)
• Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
  本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。 解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
  論文  参考訳（メタデータ） (2020-10-21T20:04:22Z)
• CycleISP: Real Image Restoration via Improved Data Synthesis [166.17296369600774]
  本稿では,前向きと逆方向のカメラ画像パイプラインをモデル化するフレームワークを提案する。 リアルな合成データに基づいて新しい画像認識ネットワークをトレーニングすることにより、実際のカメラベンチマークデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-03-17T15:20:25Z)
• Gated Texture CNN for Efficient and Configurable Image Denoising [6.09170287691728]
  畳み込みニューラルネットワーク(CNN)に基づく画像復調法は、ノイズ入力画像に含まれるノイズ成分を推定し、入力から推定されたノイズを減らしてクリーンイメージを復元する。 従来の denoising 手法では、入力から高周波情報(例えばテクスチャ)を除去する傾向がある。 本稿では,ゲートテクスチャCNN(GTCNN)を提案する。これはゲーティング機構を組み込むことで,CNNの各中間特徴マップからテクスチャ情報を慎重に取り除くように設計されている。 GTCNNは従来の最先端手法の4.8倍のパラメータを持つ。
  論文  参考訳（メタデータ） (2020-03-16T06:37:07Z)

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。