論文の概要: Noise Reduction Technique for Raman Spectrum using Deep Learning Network

• arxiv url: http://arxiv.org/abs/2009.04067v1
• Date: Wed, 9 Sep 2020 01:51:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 12:15:21.830650
• Title: Noise Reduction Technique for Raman Spectrum using Deep Learning Network
• Title（参考訳）: 深層学習ネットワークを用いたラマンスペクトルの雑音低減手法
• Authors: Liangrui Pan, Pronthep Pipitsunthonsan, Peng Zhang, Chalongrat Daengngam, Apidach Booranawong, Mitcham Chongcheawchamnan
• Abstract要約: 提案手法は, 異なるウェーブレット雑音低減法を用いて, 性能を劣化させ, 比較するために適用された。 提案手法の出力SNRはウェーブレットノイズ低減法よりも10.24dB大きいことがわかった。
• 参考スコア（独自算出の注目度）: 2.849189998157532
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In a normal indoor environment, Raman spectrum encounters noise often conceal spectrum peak, leading to difficulty in spectrum interpretation. This paper proposes deep learning (DL) based noise reduction technique for Raman spectroscopy. The proposed DL network is developed with several training and test sets of noisy Raman spectrum. The proposed technique is applied to denoise and compare the performance with different wavelet noise reduction methods. Output signal-to-noise ratio (SNR), root-mean-square error (RMSE) and mean absolute percentage error (MAPE) are the performance evaluation index. It is shown that output SNR of the proposed noise reduction technology is 10.24 dB greater than that of the wavelet noise reduction method while the RMSE and the MAPE are 292.63 and 10.09, which are much better than the proposed technique.
• Abstract（参考訳）: 通常の屋内環境では、ラマンスペクトルはしばしばスペクトルピークを隠蔽するノイズに遭遇し、スペクトルの解釈が困難になる。 本稿では,ラマン分光法のための深層学習(dl)に基づく雑音低減手法を提案する。 提案するDLネットワークは、雑音ラマンスペクトルのトレーニングとテストセットを用いて開発されている。 提案手法は, 異なるウェーブレット雑音低減法を用いて, 性能を劣化させて比較する。 出力信号対雑音比(SNR)、ルート平均二乗誤差(RMSE)、平均絶対パーセンテージ誤差(MAPE)は性能評価指標である。 提案手法の出力SNRはウェーブレットノイズ低減法よりも10.24dB大きく、RMSEとMAPEは292.63と10.09であり、提案手法よりもはるかに優れている。

関連論文リスト

• SDE-based Multiplicative Noise Removal [6.985808221697239]
  乗法ノイズは合成開口レーダ(SAR)、レーザー、光学レンズによって生成された画像に影響を与える。 微分方程式に基づく拡散モデルを用いて乗法雑音に対処する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-19T00:31:05Z)
• BRSR-OpGAN: Blind Radar Signal Restoration using Operational Generative Adversarial Network [15.913517836391357]
  現実世界のレーダー信号は、望ましくないエコー、センサーノイズ、意図的な妨害、干渉など、人工物が混ざり合っているため、しばしば破損する。 BRSR-OpGAN(Operational Generative Adversarial Network)を用いたブラインドレーダ信号復元の検討 このアプローチは、破壊の多様性や強度に関わらず、レーダ信号の品質を向上させるように設計されている。
  論文  参考訳（メタデータ） (2024-07-18T23:55:48Z)
• Deep Ultrasound Denoising Using Diffusion Probabilistic Models [5.828784149537374]
  従来のデノナイジング法は、しばしばスペックルを除去するが、これは放射線科医や定量的な超音波検査にも有用である。 本稿では,近年のDenoising Diffusion Probabilistic Models (DDPM) に基づく手法を提案する。 スペックルテクスチャを保ちながらノイズを除去し、画像品質を反復的に向上させる。
  論文  参考訳（メタデータ） (2023-06-12T21:53:32Z)
• Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
  Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。 本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。 RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
  論文  参考訳（メタデータ） (2023-05-23T12:56:01Z)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• Tensor Denoising via Amplification and Stable Rank Methods [3.6107666045714533]
  我々は、これまで開発されたテンソル増幅の枠組みを、様々な大きさ、ランク、騒音レベルの合成テンソルに適応させる。 また、安定な$X$ランクと安定なスライスランクという2種類のランク推定に基づいてデノナイズ手法を導入する。 実験結果から,テンソルによる増幅は高信号対雑音比設定において同等の性能を示すことがわかった。
  論文  参考訳（メタデータ） (2023-01-10T02:46:09Z)
• SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
  スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。 本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。 提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
  論文  参考訳（メタデータ） (2022-06-09T14:00:26Z)
• 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)
• FastHyMix: Fast and Parameter-free Hyperspectral Image Mixed Noise Removal [20.043152870504738]
  本稿では,高速かつパラメータフリーなハイパースペクトル画像混合ノイズ除去法(FastHyMix)を提案する。 これは、スペクトル領域における低ランク性と空間領域における高相関性という、ハイパースペクトルデータの2つの主要な特徴を利用する。 提案手法は,サブスペース表現とHSIの相関を利用して,より強力な深度画像を追加することで低ランク化を実現する。
  論文  参考訳（メタデータ） (2021-09-18T08:35:45Z)
• Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
  我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。 我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。 私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
  論文  参考訳（メタデータ） (2020-11-17T12:52:18Z)
• Simultaneous Denoising and Dereverberation Using Deep Embedding Features [64.58693911070228]
  ディープ埋め込み特徴を用いた同時発声・発声同時学習法を提案する。 ノイズ発生段階では、DCネットワークを利用してノイズのないディープ埋込み特性を抽出する。 残響段階では、教師なしのK平均クラスタリングアルゴリズムの代わりに、別のニューラルネットワークを用いて無響音声を推定する。
  論文  参考訳（メタデータ） (2020-04-06T06:34:01Z)

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。