論文の概要: Deep Denoising For Scientific Discovery: A Case Study In Electron
Microscopy
- arxiv url: http://arxiv.org/abs/2010.12970v2
- Date: Tue, 13 Jul 2021 15:12:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 12:34:58.775142
- Title: Deep Denoising For Scientific Discovery: A Case Study In Electron
Microscopy
- Title(参考訳): 科学的発見のための深層Denoising:電子顕微鏡のケーススタディ
- Authors: Sreyas Mohan, Ramon Manzorro, Joshua L. Vincent, Binh Tang, Dev
Yashpal Sheth, Eero P. Simoncelli, David S. Matteson, Peter A. Crozier,
Carlos Fernandez-Granda
- Abstract要約: 本稿では,シミュレーションに基づくDenoising(SBD)フレームワークを提案し,シミュレーション画像に基づいてCNNを訓練する。
SBDは、シミュレーションされたベンチマークデータセットと実際のデータにおいて、既存のテクニックを幅広いマージンで上回る。
TEM画像の最初の公開ベンチマークデータセットをリリースし、18,000のサンプルを含む。
- 参考スコア(独自算出の注目度): 22.566600256820646
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Denoising is a fundamental challenge in scientific imaging. Deep
convolutional neural networks (CNNs) provide the current state of the art in
denoising natural images, where they produce impressive results. However, their
potential has barely been explored in the context of scientific imaging.
Denoising CNNs are typically trained on real natural images artificially
corrupted with simulated noise. In contrast, in scientific applications,
noiseless ground-truth images are usually not available. To address this issue,
we propose a simulation-based denoising (SBD) framework, in which CNNs are
trained on simulated images. We test the framework on data obtained from
transmission electron microscopy (TEM), an imaging technique with widespread
applications in material science, biology, and medicine. SBD outperforms
existing techniques by a wide margin on a simulated benchmark dataset, as well
as on real data. Apart from the denoised images, SBD generates likelihood maps
to visualize the agreement between the structure of the denoised image and the
observed data. Our results reveal shortcomings of state-of-the-art denoising
architectures, such as their small field-of-view: substantially increasing the
field-of-view of the CNNs allows them to exploit non-local periodic patterns in
the data, which is crucial at high noise levels. In addition, we analyze the
generalization capability of SBD, demonstrating that the trained networks are
robust to variations of imaging parameters and of the underlying signal
structure. Finally, we release the first publicly available benchmark dataset
of TEM images, containing 18,000 examples.
- Abstract(参考訳): ノイズ除去は科学イメージングにおける根本的な課題である。
深層畳み込みニューラルネットワーク(deep convolutional neural networks:cnns)は、自然画像にノイズを与える技術の現状を提供し、印象的な結果を生み出す。
しかし、そのポテンシャルは科学的イメージングの文脈ではほとんど研究されていない。
減音cnnは通常、人工的にシミュレートされたノイズで腐敗した本物の自然画像で訓練される。
対照的に、科学的な応用では、ノイズのない地中画像は通常使用できない。
この問題に対処するため,シミュレーションベースデノゲーション(SBD)フレームワークを提案し,シミュレーション画像に基づいてCNNを訓練する。
材料科学、生物学、医学に広く応用される画像技術である透過電子顕微鏡(tem)から得られたデータに基づいて、この枠組みを検証した。
SBDは、シミュレーションされたベンチマークデータセットと実際のデータにおいて、既存のテクニックを幅広いマージンで上回る。
復号化画像とは別に、SBDは、復号化画像の構造と観測データとの一致を可視化する確率マップを生成する。
以上の結果から,CNNの視野を大幅に拡大することで,非局所的な周期パターンを利用できるようになる。
さらに,sbdの一般化能力を分析し,訓練されたネットワークが画像パラメータや基礎となる信号構造にロバストであることを実証した。
最後に、18,000のサンプルを含むTEM画像の最初の公開ベンチマークデータセットをリリースする。
関連論文リスト
- 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) - Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。
提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。
提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文 参考訳(メタデータ) (2023-03-17T18:00:27Z) - FSID: Fully Synthetic Image Denoising via Procedural Scene Generation [12.277286575812441]
低レベルの視覚タスクに適した手続き型合成データ生成パイプラインとデータセットを開発する。
我々のUnrealエンジンベースの合成データパイプラインは、ランダムな3Dオブジェクト、材料、幾何学的変換の組み合わせで、大きなシーンをアルゴリズムで生成します。
そこで我々は,CNNに基づく復調モデルの訓練と検証を行い,この合成データのみを用いてトレーニングしたモデルが競争性のある復調結果が得られることを示した。
論文 参考訳(メタデータ) (2022-12-07T21:21:55Z) - Robust Deep Ensemble Method for Real-world Image Denoising [62.099271330458066]
そこで本研究では,実世界の画像認識のための単純なベイズディープアンサンブル(BDE)手法を提案する。
我々のBDEは、最先端の復調法よりも+0.28dBPSNRのゲインを達成している。
我々のBDEは他の画像復元タスクにも拡張でき、ベンチマークデータセット上で+0.30dB、+0.18dB、+0.12dB PSNRゲインを達成することができる。
論文 参考訳(メタデータ) (2022-06-08T06:19:30Z) - Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。
実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。
我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
論文 参考訳(メタデータ) (2021-08-04T16:36:29Z) - Adaptive Denoising via GainTuning [17.72738152112575]
画像復調のためのディープ畳み込みニューラルネットワーク(CNN)は通常、大規模なデータセットでトレーニングされる。
本稿では,大規模データセット上で事前学習したCNNモデルを,個々のテスト画像に対して適応的かつ選択的に調整する「GainTuning」を提案する。
GainTuningは、標準的な画像デノゲティングベンチマークで最先端のCNNを改善し、ホールドアウトテストセットのほぼすべての画像上でのデノゲティング性能を向上させる。
論文 参考訳(メタデータ) (2021-07-27T13:35:48Z) - Enhancement of a CNN-Based Denoiser Based on Spatial and Spectral
Analysis [23.11994688706024]
本稿では,複数のノイズで劣化した画像を1つのモデルで復元する離散ウェーブレットデノイズCNN(WDnCNN)を提案する。
この問題に対処するために、周波数スペクトルの異なる部分から係数を正規化するバンド正規化モジュール(BNM)を提案する。
提案したWDnCNNを評価し,他の最先端のデノイザと比較した。
論文 参考訳(メタデータ) (2020-06-28T05:25:50Z) - A Physics-based Noise Formation Model for Extreme Low-light Raw
Denoising [34.98772175073111]
CMOS光センサの特性に基づく高精度なノイズ生成モデルを提案する。
また,現代のデジタルカメラにおけるノイズパラメータの校正手法を提案する。
論文 参考訳(メタデータ) (2020-03-28T09:16:48Z) - CycleISP: Real Image Restoration via Improved Data Synthesis [166.17296369600774]
本稿では,前向きと逆方向のカメラ画像パイプラインをモデル化するフレームワークを提案する。
リアルな合成データに基づいて新しい画像認識ネットワークをトレーニングすることにより、実際のカメラベンチマークデータセット上で最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2020-03-17T15:20:25Z) - Noise2Inverse: Self-supervised deep convolutional denoising for
tomography [0.0]
Noise2Inverseは、線形画像再構成アルゴリズムのためのディープCNNに基づくDenoising法である。
そこで我々は,そのような学習がCNNを実際に獲得することを示す理論的枠組みを構築した。
シミュレーションCTデータセットにおいて、Noss2Inverseはピーク信号対雑音比と構造類似度指数の改善を示す。
論文 参考訳(メタデータ) (2020-01-31T12:50:24Z) - Deep Learning on Image Denoising: An overview [92.07378559622889]
画像認知におけるディープテクニックの比較研究を行っている。
まず、付加的な白色雑音画像に対して、深部畳み込みニューラルネットワーク(CNN)を分類する。
次に、定量的および定性的な分析の観点から、パブリック・デノゲーション・データセットの最先端の手法を比較した。
論文 参考訳(メタデータ) (2019-12-31T05:03:57Z)
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。