論文の概要: Restore from Restored: Single Image Denoising with Pseudo Clean Image

• arxiv url: http://arxiv.org/abs/2003.04721v3
• Date: Wed, 18 Nov 2020 06:35:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 09:19:35.434354
• Title: Restore from Restored: Single Image Denoising with Pseudo Clean Image
• Title（参考訳）: 復元からの復元:擬似クリーン画像による単一画像の表示
• Authors: Seunghwan Lee, Dongkyu Lee, Donghyeon Cho, Jiwon Kim, Tae Hyun Kim
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 28.38369890008251
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, we propose a simple and effective fine-tuning algorithm called "restore-from-restored", which can greatly enhance the performance of fully pre-trained image denoising networks. Many supervised denoising approaches can produce satisfactory results using large external training datasets. However, these methods have limitations in using internal information available in a given test image. By contrast, recent self-supervised approaches can remove noise in the input image by utilizing information from the specific test input. However, such methods show relatively lower performance on known noise types such as Gaussian noise compared to supervised methods. Thus, to combine external and internal information, we fine-tune the fully pre-trained denoiser using pseudo training set at test time. By exploiting internal self-similar patches (i.e., patch-recurrence), the baseline network can be adapted to the given specific input image. We demonstrate that our method can be easily employed on top of the state-of-the-art denoising networks and further improve the performance on numerous denoising benchmark datasets including real noisy images.
• Abstract（参考訳）: 本研究では,完全事前学習された画像復号化ネットワークの性能を大幅に向上させる,"restore-from-restored"という,シンプルで効果的な微調整アルゴリズムを提案する。 多くの教師付きdenoisingアプローチは、大きな外部トレーニングデータセットを使用して満足な結果を生成することができる。 しかし、これらの手法はテスト画像の内部情報の使用に制限がある。 対照的に、近年の自己教師付きアプローチでは、特定のテスト入力からの情報を利用することで、入力画像のノイズを除去できる。 しかし,そのような手法はガウス雑音などの既知の雑音に対して,教師付き手法に比べて比較的低い性能を示す。 したがって、外部情報と内部情報を組み合わせるために、テスト時に擬似トレーニングセットを用いて、事前学習したデノイザーを完全に微調整する。 内部自己相似パッチ(パッチ再帰)を利用することにより、与えられた特定の入力画像にベースラインネットワークを適用することができる。 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でき,さらに実雑音画像を含む多数のデノナイジングベンチマークデータセットの性能を向上させることができることを示す。

関連論文リスト

• 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)
• Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
  本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。 提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。 提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
  論文  参考訳（メタデータ） (2023-03-23T09:33:44Z)
• Linear Combinations of Patches are Unreasonably Effective for Single-Image Denoising [5.893124686141782]
  ディープニューラルネットワークは、画像のノイズ化に革命を起こし、大幅な精度向上を実現している。 画像先行を外部から学習する必要性を軽減するため、入力ノイズ画像の分析のみに基づいて、単画像方式で復調を行う。 本研究は, この制約下でのデノナイズのためのパッチの線形結合の有効性について検討する。
  論文  参考訳（メタデータ） (2022-12-01T10:52:03Z)
• 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)
• 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)
• 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)
• Unpaired Learning of Deep Image Denoising [80.34135728841382]
  本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。 自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。 実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
  論文  参考訳（メタデータ） (2020-08-31T16:22:40Z)
• Improving Blind Spot Denoising for Microscopy [73.94017852757413]
  自己監督型認知の質を向上させる新しい方法を提案する。 我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
  論文  参考訳（メタデータ） (2020-08-19T13:06:24Z)
• Self-Supervised Fast Adaptation for Denoising via Meta-Learning [28.057705167363327]
  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。
  論文  参考訳（メタデータ） (2020-01-09T09:40:53Z)
• 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。