論文の概要: Gated Texture CNN for Efficient and Configurable Image Denoising

• arxiv url: http://arxiv.org/abs/2003.07042v2
• Date: Mon, 20 Apr 2020 01:59:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-23 03:33:58.455410
• Title: Gated Texture CNN for Efficient and Configurable Image Denoising
• Title（参考訳）: 効率的かつ構成可能な画像デノーミングのためのGated Texture CNN
• Authors: Kaito Imai and Takamichi Miyata
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.09170287691728
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional neural network (CNN)-based image denoising methods typically estimate the noise component contained in a noisy input image and restore a clean image by subtracting the estimated noise from the input. However, previous denoising methods tend to remove high-frequency information (e.g., textures) from the input. It caused by intermediate feature maps of CNN contains texture information. A straightforward approach to this problem is stacking numerous layers, which leads to a high computational cost. To achieve high performance and computational efficiency, we propose a gated texture CNN (GTCNN), which is designed to carefully exclude the texture information from each intermediate feature map of the CNN by incorporating gating mechanisms. Our GTCNN achieves state-of-the-art performance with 4.8 times fewer parameters than previous state-of-the-art methods. Furthermore, the GTCNN allows us to interactively control the texture strength in the output image without any additional modules, training, or computational costs.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(cnn)ベースの画像デノージング方法は、ノイズ入力画像に含まれるノイズ成分を推定し、入力から推定ノイズを減算してクリーンイメージを復元するのが一般的である。 しかし、従来の denoising 手法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。 cnnの中間的特徴マップによって引き起こされ、テクスチャ情報を含んでいる。 この問題に対する直接的なアプローチは、多数のレイヤを積み重ねることであり、高い計算コストをもたらす。 高い性能と計算効率を実現するため,ゲートテクスチャCNN (GTCNN) を提案し,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除去する。 GTCNNは従来の最先端手法の4.8倍のパラメータで最先端性能を実現する。 さらに、GTCNNは、追加のモジュール、トレーニング、計算コストなしで出力画像のテクスチャ強度をインタラクティブに制御することができる。

関連論文リスト

• Fast, nonlocal and neural: a lightweight high quality solution to image denoising [19.306450225657414]
  畳み込みニューラルネットワーク(CNN)は、モデルベースの復調アルゴリズムにより、今やパフォーマンスが向上している。 本稿では,非局所アルゴリズムと軽量残差CNNを組み合わせた解を提案する。 提案手法はCNNの10倍から20倍の高速化を実現し,PSNRが向上した。
  論文  参考訳（メタデータ） (2024-03-06T06:12:56Z)
• A cross Transformer for image denoising [83.68175077524111]
  直列ブロック(SB)、並列ブロック(PB)、残留ブロック(RB)を備えたクロストランスフォーマー(CTNet)を提案する。 CTNetは、実画像や合成画像のデノナイジングにおいて、一般的なデノナイジング法よりも優れている。
  論文  参考訳（メタデータ） (2023-10-16T13:53:19Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
  視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。 本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。 実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
  論文  参考訳（メタデータ） (2022-10-26T15:21:39Z)
• 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)
• Deep neural networks-based denoising models for CT imaging and their efficacy [0.3058685580689604]
  我々は,低用量CT画像の総合的な視点から,Deep Neural Networks (DNN) の結果の画質を検討することを目的とする。 我々は、DnCNN、U-Net、Red-Net、GANなどの先進的なDNN記述アーキテクチャのライブラリを構築します。 各ネットワークは、PSNRとSSIMの点で最高のパフォーマンスが得られるように、トレーニングされただけでなくモデル化されている。
  論文  参考訳（メタデータ） (2021-11-18T06:18:26Z)
• Efficient Deep Image Denoising via Class Specific Convolution [24.103826414190216]
  画素ワイズ分類に基づく画像復調のための効率的なディープニューラルネットワークを提案する。 提案手法は性能を犠牲にすることなく計算コストを削減できる。
  論文  参考訳（メタデータ） (2021-03-02T10:28:15Z)
• Deep Universal Blind Image Denoising [26.77629755630694]
  深層畳み込みニューラルネットワーク(cnns)は、大規模な合成データセットを組み込むことで、画像のノイズ化に大きな成功を収めている。 ベイズ的視点に基づく両手法の利点を生かしたCNNに基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-01-18T11:49:21Z)
• 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)

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。