論文の概要: Plug-and-Play Image Restoration with Deep Denoiser Prior

• arxiv url: http://arxiv.org/abs/2008.13751v2
• Date: Mon, 12 Jul 2021 20:28:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-23 07:37:35.158457
• Title: Plug-and-Play Image Restoration with Deep Denoiser Prior
• Title（参考訳）: Deep Denoiser を用いたプラグイン・アンド・プレイ画像修復
• Authors: Kai Zhang, Yawei Li, Wangmeng Zuo, Lei Zhang, Luc Van Gool, Radu Timofte
• Abstract要約: モデルに基づく手法では,デノイザが暗黙的に画像として機能し,多くの逆問題に対処できることを示す。 非常に柔軟で効果的なCNNデノイザをトレーニングする前に、ベンチマークディープデノイザを設定しました。 次に, 2次分割に基づくイテレーティブアルゴリズムを用いて, 画像復元問題の解法を提案する。
• 参考スコア（独自算出の注目度）: 186.84724418955054
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent works on plug-and-play image restoration have shown that a denoiser can implicitly serve as the image prior for model-based methods to solve many inverse problems. Such a property induces considerable advantages for plug-and-play image restoration (e.g., integrating the flexibility of model-based method and effectiveness of learning-based methods) when the denoiser is discriminatively learned via deep convolutional neural network (CNN) with large modeling capacity. However, while deeper and larger CNN models are rapidly gaining popularity, existing plug-and-play image restoration hinders its performance due to the lack of suitable denoiser prior. In order to push the limits of plug-and-play image restoration, we set up a benchmark deep denoiser prior by training a highly flexible and effective CNN denoiser. We then plug the deep denoiser prior as a modular part into a half quadratic splitting based iterative algorithm to solve various image restoration problems. We, meanwhile, provide a thorough analysis of parameter setting, intermediate results and empirical convergence to better understand the working mechanism. Experimental results on three representative image restoration tasks, including deblurring, super-resolution and demosaicing, demonstrate that the proposed plug-and-play image restoration with deep denoiser prior not only significantly outperforms other state-of-the-art model-based methods but also achieves competitive or even superior performance against state-of-the-art learning-based methods. The source code is available at https://github.com/cszn/DPIR.
• Abstract（参考訳）: プラグ・アンド・プレイ画像復元に関する最近の研究は、多くの逆問題を解くモデルベース手法に先立って、デノイザーが暗黙的に画像として機能できることを示した。 このような特性は、深い畳み込みニューラルネットワーク(CNN)を介して識別的に学習される場合、プラグアンドプレイ画像復元(例えば、モデルベースの手法の柔軟性と学習ベースの手法の有効性の統合)に大きな利点をもたらす。 しかし、より深いCNNモデルは急速に普及しているが、既存のプラグ・アンド・プレイ画像の復元は、以前の適切なデノイザーの欠如により、その性能を損なう。 プラグアンドプレイ画像復元の限界を推し進めるために,非常に柔軟で効果的なCNNデノイザをトレーニングする前に,ベンチマークディープデノイザを設置した。 次に、モジュラー部分として前の深いデノイザーを半二次分割に基づく反復アルゴリズムに差し込み、様々な画像復元問題を解決する。 一方,パラメータ設定,中間結果,経験的収束の徹底的な解析を行い,作業機構の理解を深めた。 復調,超解像,復調を含む3つの代表的な画像復元作業に関する実験結果から,提案したプラグアンドプレイ画像復元が,他の最先端のモデルベース手法よりも優れるだけでなく,最先端の学習ベース手法に対する競争力や優れた性能が得られることを示す。 ソースコードはhttps://github.com/cszn/dpir。

関連論文リスト

• Deep Learning CT Image Restoration using System Blur and Noise Models [2.2530496464901106]
  本稿では,劣化した画像入力とシステムの曖昧さとノイズを両立させ,モデリングとディープラーニングのアプローチを組み合わせる手法を提案する。 その結果,システムボケと雑音特性を表す補助入力を用いた深層学習モデルの有効性が示された。
  論文  参考訳（メタデータ） (2024-07-20T21:17:35Z)
• Rethinking PRL: A Multiscale Progressively Residual Learning Network for Inverse Halftoning [3.632876183725243]
  逆ハーフトニングは古典的な画像復元作業であり、バイレベルピクセルのみでハーフトーン画像から連続トーン画像を復元することを目的としている。 本稿では,UNetアーキテクチャを持ち,マルチスケールな入力画像を取得する,エンドツーエンドのマルチスケール・残留学習ネットワーク(MSPRL)を提案する。
  論文  参考訳（メタデータ） (2023-05-27T03:37:33Z)
• Denoising Diffusion Models for Plug-and-Play Image Restoration [135.6359475784627]
  本稿では,従来のプラグアンドプレイ方式を拡散サンプリングフレームワークに統合したDiffPIRを提案する。 DiffPIRは、差別的なガウスのデノイザーに依存するプラグアンドプレイIR法と比較して、拡散モデルの生成能力を継承することが期待されている。
  論文  参考訳（メタデータ） (2023-05-15T20:24:38Z)
• Retinex Image Enhancement Based on Sequential Decomposition With a Plug-and-Play Framework [16.579397398441102]
  画像強調とノイズ除去を同時に行うために,Retinex理論に基づくプラグイン・アンド・プレイ・フレームワークを設計する。 我々のフレームワークは、画像の強調とデノーミングの両面で最先端の手法に勝っている。
  論文  参考訳（メタデータ） (2022-10-11T13:29:10Z)
• Variational Deep Image Restoration [20.195082841065947]
  本稿では,画像復元のための新しい変分推論フレームワークと,提案フレームワークで記述した復元問題を解決する畳み込みニューラルネットワーク(CNN)構造を提案する。 具体的には,ガウス雑音の除去,実環境雑音の低減,ブラインド画像の超解像,JPEG圧縮アーティファクトの低減について,最先端の性能を提供する。
  論文  参考訳（メタデータ） (2022-07-03T16:32:15Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• Image Restoration by Deep Projected GSURE [115.57142046076164]
  Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。 本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-04T08:52:46Z)
• The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
  本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。 次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。 そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-16T08:17:44Z)
• Learning End-to-End Lossy Image Compression: A Benchmark [90.35363142246806]
  まず,学習した画像の圧縮方法に関する総合的な文献調査を行う。 本稿では,最先端の学習画像圧縮手法のマイルストーンについて述べるとともに,既存の幅広い作品について概観し,その歴史的開発ルートについて考察する。 エントロピー推定と信号再構成のための粗大な超高次モデルを導入することにより、速度歪み性能の向上を実現する。
  論文  参考訳（メタデータ） (2020-02-10T13:13:43Z)

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。