論文の概要: Supervised Raw Video Denoising with a Benchmark Dataset on Dynamic Scenes

• arxiv url: http://arxiv.org/abs/2003.14013v1
• Date: Tue, 31 Mar 2020 08:08:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 00:50:55.559877
• Title: Supervised Raw Video Denoising with a Benchmark Dataset on Dynamic Scenes
• Title（参考訳）: 動的シーンにベンチマークデータセットを付加した生映像の監視
• Authors: Huanjing Yue, Cong Cao, Lei Liao, Ronghe Chu, Jingyu Yang
• Abstract要約: 我々は、おもちゃなどの制御可能なオブジェクトのためのモーションを作成し、各静的モーメントを複数回キャプチャして、クリーンなビデオフレームを生成する。 私たちの知る限り、これはノイズとクリーンのペアを持つ初めての動的ビデオデータセットです。 ビデオフレームの時間的,空間的,チャネル的相関を探索し,RViDeNetを提案する。
• 参考スコア（独自算出の注目度）: 16.97140774983356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, the supervised learning strategy for real noisy image denoising has been emerging and has achieved promising results. In contrast, realistic noise removal for raw noisy videos is rarely studied due to the lack of noisy-clean pairs for dynamic scenes. Clean video frames for dynamic scenes cannot be captured with a long-exposure shutter or averaging multi-shots as was done for static images. In this paper, we solve this problem by creating motions for controllable objects, such as toys, and capturing each static moment for multiple times to generate clean video frames. In this way, we construct a dataset with 55 groups of noisy-clean videos with ISO values ranging from 1600 to 25600. To our knowledge, this is the first dynamic video dataset with noisy-clean pairs. Correspondingly, we propose a raw video denoising network (RViDeNet) by exploring the temporal, spatial, and channel correlations of video frames. Since the raw video has Bayer patterns, we pack it into four sub-sequences, i.e RGBG sequences, which are denoised by the proposed RViDeNet separately and finally fused into a clean video. In addition, our network not only outputs a raw denoising result, but also the sRGB result by going through an image signal processing (ISP) module, which enables users to generate the sRGB result with their favourite ISPs. Experimental results demonstrate that our method outperforms state-of-the-art video and raw image denoising algorithms on both indoor and outdoor videos.
• Abstract（参考訳）: 近年,実雑音を呈示する画像の教師付き学習戦略が登場し,有望な成果を上げている。 対照的に、ダイナミックなシーンにノイズとクリーンなペアが欠如しているため、生ノイズビデオの現実的なノイズ除去はめったに研究されない。 ダイナミックシーンのためのクリーンなビデオフレームは、静止画像のように長時間露光シャッターや平均的なマルチショットではキャプチャできない。 本稿では,玩具などの制御可能な物体の動作を作成し,各静的モーメントを複数回キャプチャしてクリーンなビデオフレームを生成することで,この問題を解決する。 このようにして,iso値1600から25600までのノイズクリーンビデオ55群からなるデータセットを構築した。 私たちの知る限り、これはノイズとクリーンのペアを持つ最初の動的ビデオデータセットです。 そこで本研究では,映像フレームの時間的,空間的,チャネル的相関を探索し,rvidenet(raw video denoising network)を提案する。 生のビデオにはBaierパターンがあるので、RGBGシーケンスという4つのサブシーケンスにまとめます。 さらに,本ネットワークは,生のデノベーション結果だけでなく,画像信号処理(ISP)モジュールを経由したsRGB結果も出力するので,ユーザが好みのISPでsRGB結果を生成することができる。 実験により,本手法は室内および屋外の両方で,最先端のビデオおよび生画像復調アルゴリズムより優れていた。

関連論文リスト

• Temporal As a Plugin: Unsupervised Video Denoising with Pre-Trained Image Denoisers [30.965705043127144]
  本稿では,TAP (Temporal As aTAP) という,教師なしのビデオデノベーションフレームワークを提案する。 時間的加群を組み込むことで、ノイズの多いフレームをまたがる時間的情報を活用することができ、空間的 denoising のパワーを補完することができる。 他の教師なしビデオ復号化手法と比較して,本フレームワークは,SRGBと生ビデオ復号化データセットの両方において優れた性能を示す。
  論文  参考訳（メタデータ） (2024-09-17T15:05:33Z)
• RViDeformer: Efficient Raw Video Denoising Transformer with a Larger Benchmark Dataset [16.131438855407175]
  教師付き生ビデオのデノベーションのためのリアルな動きを持つ大規模なデータセットは存在しない。 ノイズクリーンな120グループからなるビデオデノケーションデータセット(ReCRVDと名づけられた)を構築した。 短距離・長距離の相関関係を探索するRViDeformer(RViDeformer)を提案する。
  論文  参考訳（メタデータ） (2023-05-01T11:06:58Z)
• Spatially Adaptive Self-Supervised Learning for Real-World Image Denoising [73.71324390085714]
  本稿では,現実の sRGB 画像復号化の問題を解決するために,新しい視点を提案する。 ノイズの多い画像における平坦領域とテクスチャ領域のそれぞれの特徴を考慮し、それらを個別に管理する。 LAN自体がBNNの出力で管理されているのに対して,我々はその要件を満たすためのローカル・アウェア・ネットワーク(LAN)を提案する。
  論文  参考訳（メタデータ） (2023-03-27T06:18:20Z)
• PVDD: A Practical Video Denoising Dataset with Real-World Dynamic Scenes [56.4361151691284]
  PVDD(Practical Video Denoising dataset)は,200個のノイズクリーンな動的ビデオペアをsRGBおよびRAW形式で格納する。 限られた動き情報からなる既存のデータセットと比較すると、PVDDは自然な動きの変化する動的なシーンをカバーしている。
  論文  参考訳（メタデータ） (2022-07-04T12:30:22Z)
• Modeling sRGB Camera Noise with Normalizing Flows [35.29066692454865]
  各種ISOレベルにおけるsRGB画像の複雑な雑音分布を学習できる正規化フローに基づく新しいsRGB領域雑音モデルを提案する。 我々の正規化フローベースアプローチは、ノイズモデリングや合成タスクにおいて、他のモデルよりも優れています。
  論文  参考訳（メタデータ） (2022-06-02T00:56:34Z)
• 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)
• 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)
• 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。