論文の概要: Improving Blind Spot Denoising for Microscopy
- arxiv url: http://arxiv.org/abs/2008.08414v1
- Date: Wed, 19 Aug 2020 13:06:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 12:25:32.521203
- Title: Improving Blind Spot Denoising for Microscopy
- Title（参考訳）: 顕微鏡用ブラインドスポットデニュージングの改良
- Authors: Anna S. Goncharova, Alf Honigmann, Florian Jug, Alexander Krull
- Abstract要約: 自己監督型認知の質を向上させる新しい方法を提案する。
我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
- 参考スコア（独自算出の注目度）: 73.94017852757413
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many microscopy applications are limited by the total amount of usable light
and are consequently challenged by the resulting levels of noise in the
acquired images. This problem is often addressed via (supervised) deep learning
based denoising. Recently, by making assumptions about the noise statistics,
self-supervised methods have emerged. Such methods are trained directly on the
images that are to be denoised and do not require additional paired training
data. While achieving remarkable results, self-supervised methods can produce
high-frequency artifacts and achieve inferior results compared to supervised
approaches. Here we present a novel way to improve the quality of
self-supervised denoising. Considering that light microscopy images are usually
diffraction-limited, we propose to include this knowledge in the denoising
process. We assume the clean image to be the result of a convolution with a
point spread function (PSF) and explicitly include this operation at the end of
our neural network. As a consequence, we are able to eliminate high-frequency
artifacts and achieve self-supervised results that are very close to the ones
achieved with traditional supervised methods.
- Abstract（参考訳）: 多くの顕微鏡応用は、使用可能な光の総量によって制限され、その結果得られた画像のノイズレベルに挑戦される。
この問題は、しばしば(教師あり)ディープラーニングベースの推論によって解決される。
近年,騒音統計の仮定により,自己監視手法が出現している。
このような方法は、識別すべき画像に基づいて直接訓練され、追加のペアトレーニングデータを必要としない。
優れた結果が得られる一方で、自己管理手法は高周波のアーティファクトを生成でき、教師付き手法と比較して劣る結果が得られる。
ここでは,自己監督型認知の質を向上させる新しい方法を提案する。
光顕微鏡画像は通常回折制限されているので,この知識を分別プロセスに含める。
我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
その結果、従来の教師付き手法と非常に近い自己監督的な結果を得ることができ、高周波アーチファクトを排除できる。
関連論文リスト
- Random Sub-Samples Generation for Self-Supervised Real Image Denoising [9.459398471988724]
我々は,Smpling Different As Perturbation (SDAP) という,自己監督型実画像記述フレームワークを提案する。
トレーニング画像に適切な摂動を加えることで,BSNの性能を効果的に向上できることがわかった。
その結果、実世界のデータセット上で、最先端の自己教師型デノベーション手法を著しく上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2023-07-31T16:39:35Z) - Self2Self+: Single-Image Denoising with Self-Supervised Learning and
Image Quality Assessment Loss [4.035753155957699]
提案手法は,合成および実世界の両方のデータセット上で,最先端の復調性能を実現する。
このことは,様々なノイズ除去タスクに対する潜在的な解決策として,本手法の有効性と実用性を強調している。
論文 参考訳（メタデータ） (2023-07-20T08:38:01Z) - Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。
提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。
提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
論文 参考訳（メタデータ） (2023-03-23T09:33:44Z) - Self-supervised Denoising via Low-rank Tensor Approximated Convolutional
Neural Network [2.2720758067273197]
十分なノイズ処理は、画像処理にとって重要な第一歩であることが多い。
ディープニューラルネットワーク(DNN)は画像のノイズ化に広く利用されている。
本研究では,タッカー低ランクテンソル近似に基づく自己教師付き画像復調フレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-26T14:11:05Z) - Noise2SR: Learning to Denoise from Super-Resolved Single Noisy
Fluorescence Image [9.388253054229155]
ノイズ2SRは、異なる次元の雑音のペア画像で訓練するために設計されている。
より効率的に自己監督され、単一ノイズの観測からより多くの画像の詳細を復元することができる。
我々は、ノイズ2SRは、他の種類の科学的画像品質を改善する可能性があると想定している。
論文 参考訳（メタデータ） (2022-09-14T04:44:41Z) - Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。
提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-04-05T12:46:36Z) - 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) - Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。
実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。
我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
論文 参考訳（メタデータ） (2021-08-04T16:36:29Z) - 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)
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。