Fugu-MT 論文翻訳(概要): Residual Learning for Effective joint Demosaicing-Denoising

論文の概要: Residual Learning for Effective joint Demosaicing-Denoising

arxiv url: http://arxiv.org/abs/2009.06205v2
Date: Tue, 17 Nov 2020 08:12:11 GMT
ステータス: 処理完了
システム内更新日: 2022-10-18 12:25:05.859210
Title: Residual Learning for Effective joint Demosaicing-Denoising
Title（参考訳）: 効果的な共同デモサイジングのための残留学習
Authors: Yu Guo, Qiyu Jin, Gabriele Facciolo, Tieyong Zeng, Jean-Michel Morel
Abstract要約: カラー画像生成パイプラインの2つの重要なステップは、イメージのデザイクとデノイングである。本稿では,従来の手法と畳み込みニューラルネットワーク(CNN)を組み合わせた復調アルゴリズムを設計する。提案アルゴリズムはチェッカーボード効果を完全に回避し,より詳細な画像を保持する。
参考スコア（独自算出の注目度）: 28.69029171306052
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Image demosaicking and denoising are the two key steps for color image production pipeline. The classical processing sequence consists of applying denoising first, and then demosaicking. However, this sequence leads to oversmoothing and unpleasant checkerboard effect. Moreover, it is very difficult to change this order, because once the image is demosaicked, the statistical properties of the noise will be changed dramatically. This is extremely challenging for traditional denoising models that strongly rely on statistical assumptions. In this paper, we attempt to tackle this prickly problem. Indeed, here we invert the traditional CFA processing pipeline by first demosaicking and then denoising. In the first stage, we design a demosaicking algorithm that combines traditional methods and a convolutional neural network (CNN) to reconstruct a full color image ignoring the noise. To improve the performance in image demosaicking, we modify an Inception architecture for fusing R, G and B three channels information. This stage retains all known information that is the key point to obtain pleasurable final results. After demosaicking, we get a noisy full-color image and use another CNN to learn the demosaicking residual noise (including artifacts) of it, that allows to obtain a restored full color image. Our proposed algorithm completely avoids the checkerboard effect and retains more image detail. Furthermore, it can process very high-level noise while the performances of other CNN based methods for noise higher than 20 are rather limited. Experimental results show clearly that our method outperforms state-of-the-art methods both quantitatively as well as in terms of visual quality.
Abstract（参考訳）: 画像デモサイクリングとデノイジングは、カラー画像生成パイプラインの2つの重要なステップである。古典的な処理シーケンスは、最初に denoising を適用し、次にdesaicking する。しかし、この配列は過剰なスムースと不快なチェッカーボード効果をもたらす。さらに、画像が分解されると、ノイズの統計的特性が劇的に変化するため、この順序を変更することは極めて困難である。これは、統計的な仮定に強く依存する伝統的な認知モデルにとって非常に難しい。本稿では,この厄介な問題に対処しようと試みる。実際、ここでは、従来のCFA処理パイプラインを最初に分解し、次にデノベーションします。最初の段階では、従来の手法と畳み込みニューラルネットワーク(CNN)を組み合わせて、ノイズを無視したフルカラーイメージを再構成する復調アルゴリズムを設計する。画像復号化の性能向上のために,R,G,Bの3チャンネル情報を融合するためのインセプションアーキテクチャを改良した。この段階は、満足できる最終結果を得るための鍵となるすべての既知の情報を保持する。デモショッキングの後、ノイズの多いフルカラー画像を取得し、別のCNNを使って残留ノイズ(アーティファクトを含む)を分解し、復元されたフルカラー画像を得る。提案アルゴリズムはチェッカーボード効果を完全に回避し,より詳細な画像を保持する。さらに,20以上の雑音に対する他のcnn法の性能は限定的であるが,高いレベルの雑音を処理できる。実験結果から,本手法は視覚的品質の両面で,最先端の手法よりも優れていることが明らかとなった。

関連論文リスト

Combining Pre- and Post-Demosaicking Noise Removal for RAW Video [2.772895608190934]
Denoisingは、カメラセンサーが捉えたデータをディスプレイ対応の画像やビデオに変換する処理パイプラインの基本ステップの1つである。本研究では,ベイアパターンのCFAビデオデータに対して,事前および復号化後のデノイザを重み付けする自己相似型デノイザ方式を提案する。両者のバランスが画像品質の向上につながることを示し、高ノイズレベルがより高影響のプレデモーザックの恩恵を受けることを実証的に見出した。
論文参考訳（メタデータ） (2024-10-03T15:20:19Z)
How to Best Combine Demosaicing and Denoising? [16.921538543268216]
分解と分解は生画像パイプラインにおいて重要な役割を担っていますほとんどの復号法はノイズフリー画像の復号化に対処する。本当の問題は、ノイズの多い生画像の合成と分解だ。
論文参考訳（メタデータ） (2024-08-13T07:23:53Z)
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)
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)
NBD-GAP: Non-Blind Image Deblurring Without Clean Target Images [79.33220095067749]
良好な性能を得るためには、トレーニングには大量のぼやけたクリーンなイメージペアが必要である。テスト中のぼやけた画像とぼやけたカーネルが、トレーニング中に使用するものとは大きく異なる場合、ディープネットワークはよく機能しないことが多い。
論文参考訳（メタデータ） (2022-09-20T06:21:11Z)
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)
Improving Blind Spot Denoising for Microscopy [73.94017852757413]
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。
論文参考訳（メタデータ） (2020-08-19T13:06:24Z)
Dual Adversarial Network: Toward Real-world Noise Removal and Noise Generation [52.75909685172843]
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。
論文参考訳（メタデータ） (2020-07-12T09:16:06Z)
Noise2Inpaint: Learning Referenceless Denoising by Inpainting Unrolling [2.578242050187029]
本稿では,ノイズ2Inpaint (N2I) をトレーニング手法として導入し,デノナイジング問題を正規化した画像インパインティングフレームワークに再キャストする。 N2Iは、実世界のデータセットのデノベーションを成功させると同時に、純粋にデータ駆動型であるNoss2Selfと比較して詳細を保存できる。
論文参考訳（メタデータ） (2020-06-16T18:46:42Z)
A Review of an Old Dilemma: Demosaicking First, or Denoising First? [16.328866317851183]
ノイズの多いカラーフィルタアレイ(CFA)画像からフルカラー画像を再構成することを目的として,デノイングとデシザックを行う。本稿では,これらの戦略の主な変種を概説し,ノイズの多いモザイクからフルカラーイメージを再構築する最善の方法を見つけるために,広範囲な評価を行う。
論文参考訳（メタデータ） (2020-04-24T07:32:17Z)

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。