論文の概要: Joint Demosaicking and Denoising Benefits from a Two-stage Training Strategy

• arxiv url: http://arxiv.org/abs/2009.06205v3
• Date: Wed, 19 Jul 2023 06:05:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-20 18:42:01.151963
• Title: Joint Demosaicking and Denoising Benefits from a Two-stage Training Strategy
• Title（参考訳）: 2段階トレーニング戦略による共同解体・脱騒音効果
• 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最初の2つの重要なステップは、画像の復号化と復号化である。 本稿では,ハイブリッド機械学習手法を用いてこの問題に対処する。 従来の手法と残差畳み込みニューラルネットワーク(CNN)を組み合わせたノイズレス画像に基づく復調アルゴリズムについて検討した。
• 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 first two key steps of the color image production pipeline. The classical processing sequence has for a long time consisted of applying denoising first, and then demosaicking. Applying the operations in this order leads to oversmoothing and checkerboard effects. Yet, it was difficult to change this order, because once the image is demosaicked, the statistical properties of the noise are dramatically changed and hard to handle by traditional denoising models. In this paper, we address this problem by a hybrid machine learning method. We invert the traditional color filter array (CFA) processing pipeline by first demosaicking and then denoising. Our demosaicking algorithm, trained on noiseless images, combines a traditional method and a residual convolutional neural network (CNN). This first stage retains all known information, which is the key point to obtain faithful final results. The noisy demosaicked image is then passed through a second CNN restoring a noiseless full-color image. This pipeline order completely avoids checkerboard effects and restores fine image detail. Although CNNs can be trained to solve jointly demosaicking-denoising end-to-end, we find that this two-stage training performs better and is less prone to failure. It is shown experimentally to improve on the state of the art, both quantitatively and in terms of visual quality.
• Abstract（参考訳）: カラー画像生成パイプラインの最初の2つのステップは、画像デモサイクリングとデノイジングである。 古典的な処理シーケンスは長い間、まずデノイジングを適用し、次にデモサイクリングからなる。 この順序で操作を適用すると、過剰なスムースとチェッカーボード効果につながる。 しかし、画像が分解されると、ノイズの統計的特性が劇的に変化し、従来のデノナイジングモデルでは処理が困難になるため、この順序を変えることは困難であった。 本稿では,この問題をハイブリッド機械学習手法を用いて解決する。 従来のカラーフィルタアレー (cfa) 処理パイプラインをまずデモサイクリングを行い,次にデノージングを行う。 提案手法は,従来の手法と残留畳み込みニューラルネットワーク(cnn)を組み合わせることで,ノイズのない画像から学習を行う。 この第1段階は、すべての既知の情報を保持し、忠実な最終結果を得るための重要なポイントである。 その後、ノイズのないフルカラー画像を復元する第2のCNNを通過させる。 このパイプライン順序は、チェッカーボード効果を完全に回避し、詳細な画像詳細を復元する。 CNNは、共同で復調するエンドツーエンドを解決するためにトレーニングすることができるが、この2段階のトレーニングはより良く、失敗しにくくなっている。 視覚的品質の両面で、芸術の状態を定量的に改善するために実験的に示される。

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。