論文の概要: Designing and Training of A Dual CNN for Image Denoising

• arxiv url: http://arxiv.org/abs/2007.03951v1
• Date: Wed, 8 Jul 2020 08:16:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 13:32:40.514481
• Title: Designing and Training of A Dual CNN for Image Denoising
• Title（参考訳）: 画像分割のためのデュアルcnnの設計と学習
• Authors: Chunwei Tian, Yong Xu, Wangmeng Zuo, Bo Du, Chia-Wen Lin and David Zhang
• Abstract要約: クリーンなイメージを復元するためのDual denoising Network(DudeNet)を提案する。 DudeNetは4つのモジュールで構成されている。機能抽出ブロック、拡張ブロック、圧縮ブロック、再構築ブロックである。
• 参考スコア（独自算出の注目度）: 117.54244339673316
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep convolutional neural networks (CNNs) for image denoising have recently attracted increasing research interest. However, plain networks cannot recover fine details for a complex task, such as real noisy images. In this paper, we propsoed a Dual denoising Network (DudeNet) to recover a clean image. Specifically, DudeNet consists of four modules: a feature extraction block, an enhancement block, a compression block, and a reconstruction block. The feature extraction block with a sparse machanism extracts global and local features via two sub-networks. The enhancement block gathers and fuses the global and local features to provide complementary information for the latter network. The compression block refines the extracted information and compresses the network. Finally, the reconstruction block is utilized to reconstruct a denoised image. The DudeNet has the following advantages: (1) The dual networks with a parse mechanism can extract complementary features to enhance the generalized ability of denoiser. (2) Fusing global and local features can extract salient features to recover fine details for complex noisy images. (3) A Small-size filter is used to reduce the complexity of denoiser. Extensive experiments demonstrate the superiority of DudeNet over existing current state-of-the-art denoising methods.
• Abstract（参考訳）: 画像復調のための深層畳み込みニューラルネットワーク(CNN)は近年研究の関心を集めている。 しかし、平易なネットワークでは、実際のノイズ画像のような複雑なタスクの詳細な詳細を復元できない。 本稿ではDudeNet(Dual Denoising Network)を提案し,クリーンな画像の復元を行った。 具体的には,機能抽出ブロック,拡張ブロック,圧縮ブロック,再構築ブロックの4つのモジュールで構成される。 スパースマカニズムを持つ特徴抽出ブロックは、2つのサブネットワークを介してグローバルおよびローカルな特徴を抽出する。 拡張ブロックはグローバルとローカルの機能を収集して融合し、後者のネットワークに補完的な情報を提供する。 圧縮ブロックは抽出した情報を洗練し、ネットワークを圧縮する。 最後に、復元ブロックを利用して、音像を再構成する。 1) パース機構を持つデュアルネットワークは、デノイザの一般化能力を高めるために補完的な特徴を抽出することができる。 2)大域的特徴と局所的特徴を融合させることで,複雑な雑音画像の細部を復元することができる。 (3)デノイザの複雑さを低減するために小型フィルタを用いる。 大規模な実験は、DudeNetが既存の最先端のデノナイジング手法よりも優れていることを示す。

関連論文リスト

• Two-stage Progressive Residual Dense Attention Network for Image Denoising [0.680228754562676]
  多くのディープCNNベースのdenoisingモデルは、より重要で有用な特徴に注意を払わずに、ノイズの多い画像の階層的特徴を同様に利用し、比較的低いパフォーマンスをもたらす。 本稿では,2つのサブタスクに分割してノイズを段階的に除去する2段階のプログレッシブ・レジデンシャル・アテンション・ネットワーク(TSP-RDANet)を設計する。 2つの異なるアテンション機構に基づくデノナイジングネットワークは、2つのシーケンシャルなサブタスクのために設計されている。
  論文  参考訳（メタデータ） (2024-01-05T14:31:20Z)
• 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)
• Dual Residual Attention Network for Image Denoising [19.978731146465822]
  画像復調において、深部畳み込みニューラルネットワーク(CNN)は、空間不変ノイズの除去に好適な性能を得ることができる。 本稿では,画像認識のための新しいDual-branch Residual Attention Network(DRANet)を提案する。 我々のDRANetは、合成ノイズ除去と実世界のノイズ除去の両方で競合するノイズ除去性能を得ることができる。
  論文  参考訳（メタデータ） (2023-05-07T13:11:55Z)
• 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)
• Thunder: Thumbnail based Fast Lightweight Image Denoising Network [92.9631117239565]
  textbfThumbtextbfnail ベースの textbfDtextbfenoising Netwotextbfrk called Thunder が提案されている。
  論文  参考訳（メタデータ） (2022-05-24T06:38:46Z)
• Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
  本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。 我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。 提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2022-04-19T17:59:45Z)
• 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)
• Image Denoising for Strong Gaussian Noises With Specialized CNNs for Different Frequency Components [4.010371060637209]
  ニューラルネットワークをデノイズ化するための機械学習アプローチでは、ノイズの多い画像からクリーンなイメージを復元するために訓練される。 本稿では,複数の特化ネットワークのトレーニングに基づく新しい構造を提案する。
  論文  参考訳（メタデータ） (2020-11-26T23:20:25Z)
• Identity Enhanced Residual Image Denoising [61.75610647978973]
  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。
  論文  参考訳（メタデータ） (2020-04-26T04:52:22Z)

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。