論文の概要: Identity Enhanced Residual Image Denoising

• arxiv url: http://arxiv.org/abs/2004.13523v1
• Date: Sun, 26 Apr 2020 04:52:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 13:55:40.255567
• Title: Identity Enhanced Residual Image Denoising
• Title（参考訳）: アイデンティティ向上した残像デノイング
• Authors: Saeed Anwar, Cong Phuoc Huynh, and Fatih Porikli
• Abstract要約: 我々は、アイデンティティマッピングモジュールのチェーンと、画像の復号化のための残像アーキテクチャの残像からなる、完全な畳み込みネットワークモデルを学ぶ。 提案するネットワークは,従来の最先端・CNNアルゴリズムよりも極めて高い数値精度と画像品質を実現している。
• 参考スコア（独自算出の注目度）: 61.75610647978973
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose to learn a fully-convolutional network model that consists of a Chain of Identity Mapping Modules and residual on the residual architecture for image denoising. Our network structure possesses three distinctive features that are important for the noise removal task. Firstly, each unit employs identity mappings as the skip connections and receives pre-activated input to preserve the gradient magnitude propagated in both the forward and backward directions. Secondly, by utilizing dilated kernels for the convolution layers in the residual branch, each neuron in the last convolution layer of each module can observe the full receptive field of the first layer. Lastly, we employ the residual on the residual architecture to ease the propagation of the high-level information. Contrary to current state-of-the-art real denoising networks, we also present a straightforward and single-stage network for real image denoising. The proposed network produces remarkably higher numerical accuracy and better visual image quality than the classical state-of-the-art and CNN algorithms when being evaluated on the three conventional benchmark and three real-world datasets.
• Abstract（参考訳）: 本稿では,アイデンティティマッピングモジュールのチェーンと残像記述のための残像アーキテクチャの残像を含む,完全な畳み込みネットワークモデルを学習することを提案する。 ネットワーク構造は,ノイズ除去タスクにおいて重要な3つの特徴を有する。 まず、各ユニットはスキップ接続としてアイデンティティマッピングを使用し、前方方向と後方方向の両方で伝播する勾配等級を保存するために予めアクティブな入力を受け取る。 第2に、残枝の畳み込み層に拡張されたカーネルを利用することで、各モジュールの最後の畳み込み層のニューロンは、第1層の完全な受容野を観察することができる。 最後に,高レベル情報の伝達を容易にするために,残差アーキテクチャの残差を用いる。 現状のリアルタイムデノージングネットワークとは対照的に,実画像デノージングのための単純で単段のネットワークも提示する。 提案したネットワークは,従来の3つのベンチマークと3つの実世界のデータセットで評価した場合,従来の最先端およびCNNアルゴリズムよりも極めて高い数値精度と画像品質を実現する。

関連論文リスト

• How deep convolutional neural networks lose spatial information with training [0.7328100870402177]
  画像の微分同相性に対する安定性は, 前半の空間プール, 後半のチャネルプールによって達成されることを示す。 ノイズに対する感度の上昇は、ReLUユニットによって修正された後、プール中に発生する摂動騒音によるものである。
  論文  参考訳（メタデータ） (2022-10-04T10:21:03Z)
• Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
  本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。 事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。 識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
  論文  参考訳（メタデータ） (2022-07-19T14:35:42Z)
• Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image Denoising [50.039949798156826]
  本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。 ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。 次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
  論文  参考訳（メタデータ） (2022-07-09T13:35:12Z)
• WNet: A data-driven dual-domain denoising model for sparse-view computed tomography with a trainable reconstruction layer [3.832032989515628]
  スパース・ビュー・アーティファクト・デノナイズのためのトレーニング可能な再構成層を含むデータ駆動型デュアルドメイン・デノナイズ・モデルWNetを提案する。 我々は2つの臨床的に関連のあるデータセットを用いてネットワークをトレーニングし、その結果を3種類のスパースビューCTと再構成アルゴリズムと比較した。
  論文  参考訳（メタデータ） (2022-07-01T13:17:01Z)
• Selective Residual M-Net for Real Image Denoising [6.909688694501238]
  本稿では,視覚的実画像復調ネットワーク(SRMNet)を提案する。 具体的には、M-Netと呼ばれる階層構造上の残留ブロックを持つ選択的カーネルを用いて、マルチスケールのセマンティック情報を強化する。 OurNetは、定量的メトリクスと視覚的品質の点で、2つの合成および2つの実世界のノイズの多いデータセット上で、競合するパフォーマンス結果を持っています。
  論文  参考訳（メタデータ） (2022-03-03T11:10:30Z)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• Learning a Model-Driven Variational Network for Deformable Image Registration [89.9830129923847]
  VR-Netは、教師なしの変形可能な画像登録のための新しいカスケード可変ネットワークである。 登録精度において最先端のディープラーニング手法よりも優れています。 ディープラーニングの高速推論速度と変分モデルのデータ効率を維持している。
  論文  参考訳（メタデータ） (2021-05-25T21:37:37Z)
• Attention Based Real Image Restoration [48.933507352496726]
  深層畳み込みニューラルネットワークは、合成劣化を含む画像に対してより良い性能を発揮する。 本稿では,新しい1段ブラインド実画像復元ネットワーク(R$2$Net)を提案する。
  論文  参考訳（メタデータ） (2020-04-26T04:21:49Z)

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。