論文の概要: Image Demoireing with Learnable Bandpass Filters
- arxiv url: http://arxiv.org/abs/2004.00406v1
- Date: Wed, 1 Apr 2020 12:57:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-17 19:04:04.134243
- Title: Image Demoireing with Learnable Bandpass Filters
- Title（参考訳）: 学習可能な帯域通過フィルタによる画像復調
- Authors: Bolun Zheng, Shanxin Yuan, Gregory Slabaugh, Ales Leonardis
- Abstract要約: この問題に対処する新しいマルチスケールバンドパス畳み込みニューラルネットワーク(MBCNN)を提案する。
テクスチャ復元のための学習可能なバンドパスフィルタ (LBF) を提案する。
色復元のために,まずグローバルな色変化の補正にグローバルなトーンマッピングを適用する2段階のトーンマッピング戦略を提案し,その後,画素ごとの局所的な微調整を行う。
- 参考スコア（独自算出の注目度）: 18.94907983950051
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image demoireing is a multi-faceted image restoration task involving both
texture and color restoration. In this paper, we propose a novel multiscale
bandpass convolutional neural network (MBCNN) to address this problem. As an
end-to-end solution, MBCNN respectively solves the two sub-problems. For
texture restoration, we propose a learnable bandpass filter (LBF) to learn the
frequency prior for moire texture removal. For color restoration, we propose a
two-step tone mapping strategy, which first applies a global tone mapping to
correct for a global color shift, and then performs local fine tuning of the
color per pixel. Through an ablation study, we demonstrate the effectiveness of
the different components of MBCNN. Experimental results on two public datasets
show that our method outperforms state-of-the-art methods by a large margin
(more than 2dB in terms of PSNR).
- Abstract（参考訳）: 画像復調は、テクスチャと色復元の両方を含む多面的な画像復元作業である。
本稿では,この問題に対処するために,マルチスケールバンドパス畳み込みニューラルネットワーク(mbcnn)を提案する。
エンドツーエンドのソリューションとして、MBCNNは2つのサブプロブレムをそれぞれ解決する。
テクスチャ復元のために,moireテクスチャ除去前の周波数を学習するための学習可能なバンドパスフィルタ(lbf)を提案する。
色復元のために,まずグローバルな色変化の補正にグローバルなトーンマッピングを適用する2段階のトーンマッピング戦略を提案し,その後,画素ごとの局所的な微調整を行う。
アブレーション研究を通じて,MBCNNの異なる成分の有効性を実証した。
2つの公開データセットによる実験結果から,提案手法はPSNRにおいて2dB以上で最先端の手法よりも優れていた。
関連論文リスト
- Learning to Rank Patches for Unbiased Image Redundancy Reduction [80.93989115541966]
画像は、隣接する領域の画素が空間的に相関しているため、空間的冗長性に悩まされる。
既存のアプローチでは、意味の少ない画像領域を減らし、この制限を克服しようとしている。
本稿では,Learning to Rank Patchesと呼ばれる画像冗長性低減のための自己教師型フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-31T13:12:41Z) - Learning to See Low-Light Images via Feature Domain Adaptation [17.033219611079165]
そこで我々は,特徴領域適応(FDA)によって強化された単一段階ネットワークを提案し,生のLLIEにおけるデノイングとカラーマッピングのタスクを分離する。
FDAは、ラインバッファを減らすことで、グローバルとローカルの相関関係を探索することができる。
本手法は,計算コストを削減して最先端の性能を実現する。
論文 参考訳（メタデータ） (2023-12-11T03:38:26Z) - CCDWT-GAN: Generative Adversarial Networks Based on Color Channel Using
Discrete Wavelet Transform for Document Image Binarization [3.0175628677371935]
本稿では,カラーチャネルに基づく生成逆ネットワークを用いた新規性手法を提案する。
提案手法は, 画像前処理, 画像強調, 画像バイナライゼーションの3段階からなる。
実験の結果、CCDWT-GANは複数のベンチマークデータセットで上位2つの性能を達成した。
論文 参考訳（メタデータ） (2023-05-27T08:55:56Z) - N2V2 -- Fixing Noise2Void Checkerboard Artifacts with Modified Sampling
Strategies and a Tweaked Network Architecture [66.03918859810022]
我々は,バニラN2V装置に2つの改良を加えて,不要なアーティファクトを大幅に削減する。
我々は、顕微鏡および自然画像データに基づいて、その修正を検証した。
論文 参考訳（メタデータ） (2022-11-15T21:12:09Z) - Learning Weighting Map for Bit-Depth Expansion within a Rational Range [64.15915577164894]
ビット深化(BDE)は、低ビット深化(LBD)ソースから高ビット深化(HBD)画像を表示する新興技術の1つである。
既存のBDEメソッドは、様々なBDE状況に対して統一的なソリューションを持っていない。
我々は,各画素の重みを求めるためにビット復元ネットワーク(BRNet)を設計し,補充値の比率を合理的範囲内で示す。
論文 参考訳（メタデータ） (2022-04-26T02:27:39Z) - Cascaded Cross MLP-Mixer GANs for Cross-View Image Translation [70.00392682183515]
従来のクロスビュー画像変換法では、ターゲットビューで画像を生成することは困難である。
本稿では,カスケードクロスミキサー(CrossMLP)サブネットワークを用いた新しい2段階フレームワークを提案する。
最初の段階では、CrossMLPサブネットワークは、画像コードとセマンティックマップコードの間の潜時変換のキューを学習する。
第2段階では、ノイズの多いセマンティックラベル問題を緩和する改良されたピクセルレベルの損失を設計する。
論文 参考訳（メタデータ） (2021-10-19T18:03:30Z) - Image Restoration by Deep Projected GSURE [115.57142046076164]
Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。
本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
論文 参考訳（メタデータ） (2021-02-04T08:52:46Z) - TextureWGAN: Texture Preserving WGAN with MLE Regularizer for Inverse
Problems [4.112614964808275]
提案手法の中で最も一般的で効果的な方法は平均二乗誤差(MSE)を持つ畳み込みニューラルネットワーク(CNN)である。
逆問題に対するWGAN(Wasserstein GAN)に基づく新しい手法を提案する。
We showed that the WGAN-based method was effective to maintain image texture, it also also used a maximum max estimation regularizer (MLE) to maintain pixel fidelity。
論文 参考訳（メタデータ） (2020-08-11T17:06:34Z) - Microscopy Image Restoration using Deep Learning on W2S [0.0]
本稿では,最近のW2S論文に記述されているネットワークと手法に基づくディープラーニングアルゴリズムを開発し,共同認知と超解像の問題を解く。
我々のモデルは、セルイメージのW2Sデータセットに基づいてトレーニングされており、このリポジトリでオンラインでアクセス可能である。
512$times$512イメージの場合、Titan X GPUでは1秒未満、一般的なCPUでは15秒程度かかる。
論文 参考訳（メタデータ） (2020-04-22T22:14:19Z) - Image Inpainting by Multiscale Spline Interpolation [9.561123408923489]
局所的特徴と大域的特徴の両方を利用したマルチスケール画像インペイント手法を提案する。
既存の塗装法に比べて平均1.2dBの改善を実現した。
論文 参考訳（メタデータ） (2020-01-10T01:15:14Z) - Supervised and Unsupervised Learning of Parameterized Color Enhancement [112.88623543850224]
我々は、教師なし学習と教師なし学習の両方を用いて、画像翻訳タスクとしての色強調の問題に取り組む。
我々は,MIT-Adobe FiveKベンチマークにおいて,教師付き(ペアデータ)と教師なし(ペアデータ)の2つの画像強調手法と比較して,最先端の結果が得られた。
20世紀初頭の写真や暗黒ビデオフレームに応用することで,本手法の一般化能力を示す。
論文 参考訳（メタデータ） (2019-12-30T13:57:06Z)
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。