論文の概要: Dual Adversarial Network: Toward Real-world Noise Removal and Noise Generation

• arxiv url: http://arxiv.org/abs/2007.05946v1
• Date: Sun, 12 Jul 2020 09:16:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 06:05:19.113030
• Title: Dual Adversarial Network: Toward Real-world Noise Removal and Noise Generation
• Title（参考訳）: デュアル・ディバイザ・ネットワーク:実環境騒音除去と騒音発生に向けて
• Authors: Zongsheng Yue, Qian Zhao, Lei Zhang, Deyu Meng
• Abstract要約: 実世界の画像ノイズ除去は、コンピュータビジョンにおける長年の課題である。 本稿では,ノイズ除去およびノイズ発生タスクに対処する新しい統合フレームワークを提案する。 本手法はクリーンノイズ画像対の連成分布を学習する。
• 参考スコア（独自算出の注目度）: 52.75909685172843
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Real-world image noise removal is a long-standing yet very challenging task in computer vision. The success of deep neural network in denoising stimulates the research of noise generation, aiming at synthesizing more clean-noisy image pairs to facilitate the training of deep denoisers. In this work, we propose a novel unified framework to simultaneously deal with the noise removal and noise generation tasks. Instead of only inferring the posteriori distribution of the latent clean image conditioned on the observed noisy image in traditional MAP framework, our proposed method learns the joint distribution of the clean-noisy image pairs. Specifically, we approximate the joint distribution with two different factorized forms, which can be formulated as a denoiser mapping the noisy image to the clean one and a generator mapping the clean image to the noisy one. The learned joint distribution implicitly contains all the information between the noisy and clean images, avoiding the necessity of manually designing the image priors and noise assumptions as traditional. Besides, the performance of our denoiser can be further improved by augmenting the original training dataset with the learned generator. Moreover, we propose two metrics to assess the quality of the generated noisy image, for which, to the best of our knowledge, such metrics are firstly proposed along this research line. Extensive experiments have been conducted to demonstrate the superiority of our method over the state-of-the-arts both in the real noise removal and generation tasks. The training and testing code is available at https://github.com/zsyOAOA/DANet.
• Abstract（参考訳）: 実世界の画像ノイズ除去は、コンピュータビジョンにおける長年の課題である。 ディープニューラルネットワークの成功はノイズ発生の研究を刺激し、よりクリーンなノイズの多いイメージペアを合成してディープデノイザのトレーニングを促進することを目的としている。 本研究では,ノイズ除去タスクとノイズ発生タスクを同時に扱うための統合フレームワークを提案する。 従来のマップフレームワークで観測された雑音画像に条件づけられた潜在クリーン画像の後方分布を推定する代わりに,提案手法により,クリーンノイズ画像ペアの結合分布を学習する。 具体的には、ノイズ画像をクリーンにマッピングするデノイザーと、クリーン画像をノイズにマッピングするジェネレータとして定式化できる2つの異なる因子化形式によるジョイント分布を近似する。 学習された共同分布は、ノイズとクリーンな画像の間のすべての情報を暗黙的に含み、手動で画像の事前設計やノイズの仮定を従来のように避ける。 さらに、学習したジェネレータで元のトレーニングデータセットを拡張することで、denoiserの性能をさらに改善できます。 さらに,生成した雑音画像の品質を評価するための2つの指標を提案する。 実騒音除去タスクと生成タスクの両方において,本手法が最先端技術よりも優れていることを示すために,大規模な実験を行った。 トレーニングとテストのコードはhttps://github.com/zsyoaoa/danetで入手できる。

関連論文リスト

• Self-Calibrated Variance-Stabilizing Transformations for Real-World Image Denoising [19.08732222562782]
  教師付き深層学習が画像認知のための選択方法となっている。 一般の信条とは対照的に,ガウスノイズ除去に特化するネットワークを有効活用し,実世界の画像復調に有効であることを示す。
  論文  参考訳（メタデータ） (2024-07-24T16:23:46Z)
• Multi-view Self-supervised Disentanglement for General Image Denoising [22.28610604896056]
  我々は,同じクリーン画像の異なる劣化バージョンが共通の潜伏空間を共有しているという直感的な仮定の下で,ノイズの多い画像のアンタングルを学習することを提案する。 自己教師付き学習フレームワークが提案され,その目標を達成する。 入力と同じ画像の2つの異なる劣化バージョンを取ることで、提案されたMulti-view Self-supervised Disentanglement (MeD)アプローチは、潜伏したクリーンな特徴を破損から切り離し、クリーンなイメージを復元する。
  論文  参考訳（メタデータ） (2023-09-10T14:54:44Z)
• 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)
• Unpaired Learning of Deep Image Denoising [80.34135728841382]
  本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。 自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。 実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
  論文  参考訳（メタデータ） (2020-08-31T16:22:40Z)
• Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
  ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。 本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
  論文  参考訳（メタデータ） (2019-08-29T15:54:06Z)

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。