論文の概要: Reconstructing the Noise Manifold for Image Denoising

• arxiv url: http://arxiv.org/abs/2002.04147v2
• Date: Sat, 7 Mar 2020 01:00:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 02:30:12.864431
• Title: Reconstructing the Noise Manifold for Image Denoising
• Title（参考訳）: 画像雑音化のための雑音多様体の再構成
• Authors: Ioannis Marras, Grigorios G. Chrysos, Ioannis Alexiou, Gregory Slabaugh, Stefanos Zafeiriou
• Abstract要約: 本稿では,画像ノイズ空間の構造を明示的に活用するcGANを提案する。 画像ノイズの低次元多様体を直接学習することにより、この多様体にまたがる情報のみをノイズ画像から除去する。 我々の実験に基づいて、我々のモデルは既存の最先端アーキテクチャを大幅に上回っている。
• 参考スコア（独自算出の注目度）: 56.562855317536396
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep Convolutional Neural Networks (CNNs) have been successfully used in many low-level vision problems like image denoising. Although the conditional image generation techniques have led to large improvements in this task, there has been little effort in providing conditional generative adversarial networks (cGAN)[42] with an explicit way of understanding the image noise for object-independent denoising reliable for real-world applications. The task of leveraging structures in the target space is unstable due to the complexity of patterns in natural scenes, so the presence of unnatural artifacts or over-smoothed image areas cannot be avoided. To fill the gap, in this work we introduce the idea of a cGAN which explicitly leverages structure in the image noise space. By learning directly a low dimensional manifold of the image noise, the generator promotes the removal from the noisy image only that information which spans this manifold. This idea brings many advantages while it can be appended at the end of any denoiser to significantly improve its performance. Based on our experiments, our model substantially outperforms existing state-of-the-art architectures, resulting in denoised images with less oversmoothing and better detail.
• Abstract（参考訳）: 深部畳み込みニューラルネットワーク(CNN)は、画像の復調のような多くの低レベル視覚問題でうまく使われている。 条件付き画像生成技術は、このタスクに大きな改善をもたらしたが、実世界のアプリケーションで信頼性の高いオブジェクト非依存分別のための画像ノイズを理解する明示的な方法で条件付き生成逆逆ネットワーク(cgan)[42]を提供する努力はほとんどなかった。 対象空間の構造を活用する作業は、自然シーンにおけるパターンの複雑さのため不安定であり、不自然なアーティファクトや過剰なスムース画像領域の存在は避けられない。 このギャップを埋めるため,本研究では,画像ノイズ空間の構造を明示的に活用するcganの考え方を紹介する。 生成器は、画像ノイズの低次元多様体を直接学習することにより、この多様体にまたがる情報のみをノイズ画像から除去することを促進する。 このアイデアは多くの利点をもたらしますが、デノイザーの最後に追加することでパフォーマンスを大幅に改善できます。 実験結果から,本モデルは既存の最先端アーキテクチャを著しく上回り,過度に過度に表現され,ディテールも向上した。

関連論文リスト

• Representing Noisy Image Without Denoising [91.73819173191076]
  ラドン空間におけるフラクショナルオーダーモーメント(FMR)は、ノイズの多い画像から直接ロバストな表現を引き出すように設計されている。 従来の整数順序法とは異なり、我々の研究は特別な場合のような古典的手法を取り入れたより汎用的な設計である。
  論文  参考訳（メタデータ） (2023-01-18T10:13:29Z)
• 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)
• Learning to Generate Realistic Noisy Images via Pixel-level Noise-aware Adversarial Training [50.018580462619425]
  我々は,PNGAN(Pixel-level Noise-aware Generative Adrial Network)という新しいフレームワークを提案する。 PNGANは、トレーニング済みのリアルデノイザーを使用して、フェイク画像とリアルノイズ画像をほぼノイズのないソリューション空間にマッピングする。 より優れたノイズフィッティングを実現するため,ジェネレータとしてSimple Multi-versa-scale Network (SMNet) を提案する。
  論文  参考訳（メタデータ） (2022-04-06T14:09:02Z)
• Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
  本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。 トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。 AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
  論文  参考訳（メタデータ） (2022-03-24T18:11:31Z)
• Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
  Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。 ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。 デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
  論文  参考訳（メタデータ） (2021-01-08T02:03:25Z)
• Unsupervised Image Restoration Using Partially Linear Denoisers [2.3061446605472558]
  本稿では, 非線形画像依存写像, 線形雑音依存項, 残差項の和として分解可能な構造付きデノイザのクラスを提案する。 雑音が平均値と既知分散度をゼロとする条件下では,ノイズのみを学習できることを示す。 本手法は, 学習にクリーンな画像を必要としない, 教師なし, 自己監督型ディープ・デノゲーション・モデルよりも優れている。
  論文  参考訳（メタデータ） (2020-08-14T02:13:19Z)
• Spatial-Adaptive Network for Single Image Denoising [14.643663950015334]
  本稿では,効率的な単一画像ブラインドノイズ除去のための空間適応型雑音除去ネットワーク(SADNet)を提案する。 本手法は, 定量的かつ視覚的に, 最先端の復調法を超越することができる。
  論文  参考訳（メタデータ） (2020-01-28T12:24:17Z)
• 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。