論文の概要: Mixed Noise Removal with Pareto Prior

• arxiv url: http://arxiv.org/abs/2008.11935v1
• Date: Thu, 27 Aug 2020 06:35:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 08:31:10.276973
• Title: Mixed Noise Removal with Pareto Prior
• Title（参考訳）: Pareto Presideによる混合ノイズ除去
• Authors: Zhou Liu, Lei Yu, Gui-Song Xia, Hong Sun
• Abstract要約: 付加白色ガウスノイズ (AWGN) と雑音インパルス (IN) の混合により汚染された画像のノイズ化は必須だが難しい問題である。 既存の方法は、重み付け行列を導入することにより、INの効果を補償する。 重み付け行列の先行値に基づく混合雑音除去のための高精度で頑健な重み推定器を提案する。
• 参考スコア（独自算出の注目度）: 31.306541517685137
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Denoising images contaminated by the mixture of additive white Gaussian noise (AWGN) and impulse noise (IN) is an essential but challenging problem. The presence of impulsive disturbances inevitably affects the distribution of noises and thus largely degrades the performance of traditional AWGN denoisers. Existing methods target to compensate the effects of IN by introducing a weighting matrix, which, however, is lack of proper priori and thus hard to be accurately estimated. To address this problem, we exploit the Pareto distribution as the priori of the weighting matrix, based on which an accurate and robust weight estimator is proposed for mixed noise removal. Particularly, a relatively small portion of pixels are assumed to be contaminated with IN, which should have weights with small values and then be penalized out. This phenomenon can be properly described by the Pareto distribution of type 1. Therefore, armed with the Pareto distribution, we formulate the problem of mixed noise removal in the Bayesian framework, where nonlocal self-similarity priori is further exploited by adopting nonlocal low rank approximation. Compared to existing methods, the proposed method can estimate the weighting matrix adaptively, accurately, and robust for different level of noises, thus can boost the denoising performance. Experimental results on widely used image datasets demonstrate the superiority of our proposed method to the state-of-the-arts.
• Abstract（参考訳）: 付加白色ガウスノイズ (AWGN) とインパルスノイズ (IN) の混合により汚染された画像のノイズ化は必須だが難しい問題である。 衝動障害の存在は必然的にノイズの分布に影響を与えるため、従来のAWGNデノイザーの性能は大幅に低下する。 既存の手法では重み付け行列を導入することでinの効果を補うことを目標としているが、適切な優先順位がないため正確な推定は困難である。 この問題を解決するために,混合雑音除去のための高精度でロバストな重み推定器を提案する重み付け行列の先行値としてパレート分布を利用する。 特に、比較的小さなピクセルがINで汚染されていると仮定され、これは小さな値の重みを持ち、ペナル化されるはずである。 この現象はタイプ1のパレート分布によって適切に説明できる。 そこで,本研究では,非局所的自己相似性優先が非局所的低階近似を用いてさらに活用されるベイズ的枠組みにおいて,混合ノイズ除去の問題を定式化する。 提案手法は,既存の手法と比較して,異なるレベルの雑音に対して適応的,正確に,かつ頑健な重み付け行列を推定できるため,ノイズ除去性能の向上が期待できる。 画像データセットを用いた実験結果から,提案手法の最先端性を示す。

関連論文リスト

• NoiseDiffusion: Correcting Noise for Image Interpolation with Diffusion Models beyond Spherical Linear Interpolation [86.7260950382448]
  画像の妥当性を補正する新しい手法としてノイズ拡散法を提案する。 NoiseDiffusionはノイズの多い画像空間内で動作し、これらのノイズの多い画像に生画像を注入することで、情報損失の課題に対処する。
  論文  参考訳（メタデータ） (2024-03-13T12:32:25Z)
• Optimizing the Noise in Self-Supervised Learning: from Importance Sampling to Noise-Contrastive Estimation [80.07065346699005]
  GAN(Generative Adversarial Networks)のように、最適な雑音分布はデータ分布に等しくなると広く想定されている。 我々は、この自己教師型タスクをエネルギーベースモデルの推定問題として基礎づけるノイズ・コントラスト推定に目を向ける。 本研究は, 最適雑音のサンプリングは困難であり, 効率性の向上は, データに匹敵する雑音分布を選択することに比べ, 緩やかに行うことができると結論付けた。
  論文  参考訳（メタデータ） (2023-01-23T19:57:58Z)
• High-Order Qubit Dephasing at Sweet Spots by Non-Gaussian Fluctuators: Symmetry Breaking and Floquet Protection [55.41644538483948]
  非ガウスゆらぎによるqubit dephasingについて検討した。 非ガウス雑音に特有の対称性破壊効果を予測する。
  論文  参考訳（メタデータ） (2022-06-06T18:02:38Z)
• The price of ignorance: how much does it cost to forget noise structure in low-rank matrix estimation? [21.3083877172595]
  本稿では,構造的回転不変雑音によるランク1信号の誤差を推定する問題を考察する。 我々は,ノイズ統計量である強いミスマッチ源の効果を理解するための一歩を踏み出した。 この性能差は信号ノルムの誤推定によるものであることを示す。
  論文  参考訳（メタデータ） (2022-05-20T07:54:21Z)
• The Optimal Noise in Noise-Contrastive Learning Is Not What You Think [80.07065346699005]
  この仮定から逸脱すると、実際により良い統計的推定結果が得られることが示される。 特に、最適な雑音分布は、データと異なり、また、別の家族からさえも異なる。
  論文  参考訳（メタデータ） (2022-03-02T13:59:20Z)
• FINO: Flow-based Joint Image and Noise Model [23.9749061109964]
  フローベースジョイントイメージとノイズモデル(FINO) 本研究では,フローベース・ジョイント・イメージ・アンド・ノイズモデル(FINO)を提案する。
  論文  参考訳（メタデータ） (2021-11-11T02:51:54Z)
• Shape Matters: Understanding the Implicit Bias of the Noise Covariance [76.54300276636982]
  勾配降下のノイズはパラメータ化モデルに対するトレーニングにおいて重要な暗黙の正則化効果をもたらす。 ミニバッチやラベルの摂動によって引き起こされるパラメータ依存ノイズはガウスノイズよりもはるかに効果的であることを示す。 分析の結果,パラメータ依存ノイズは局所最小値に偏りを生じさせるが,球状ガウス雑音は生じないことがわかった。
  論文  参考訳（メタデータ） (2020-06-15T18:31:02Z)
• Residual-driven Fuzzy C-Means Clustering for Image Segmentation [152.609322951917]
  画像分割のための残留駆動型ファジィC平均(FCM)について詳述する。 この枠組みに基づいて,混合雑音分布の重み付けによる重み付き$ell_2$-norm忠実度項を示す。 その結果、既存のFCM関連アルゴリズムよりも提案アルゴリズムの有効性と効率が優れていることが示された。
  論文  参考訳（メタデータ） (2020-04-15T15:46:09Z)

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。