論文の概要: Statistical Analysis of Signal-Dependent Noise: Application in Blind Localization of Image Splicing Forgery

• arxiv url: http://arxiv.org/abs/2010.16211v2
• Date: Mon, 2 Nov 2020 09:34:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-01 17:27:48.161588
• Title: Statistical Analysis of Signal-Dependent Noise: Application in Blind Localization of Image Splicing Forgery
• Title（参考訳）: 信号依存ノイズの統計的解析:画像スプライシング偽造のブラインド定位への応用
• Authors: Mian Zou, Heng Yao, Chuan Qin, and Xinpeng Zhang
• Abstract要約: 本研究では,信号依存ノイズ(SDN)を局所化タスクのスプライシングに適用する。 最大後方マルコフランダムフィールド(MAP-MRF)フレームワークを構築することで、ノイズの可能性を生かし、スプリケートされた物体の異領域を明らかにする。 実験結果から,本手法は有効であり,比較ローカライゼーション性能が得られた。
• 参考スコア（独自算出の注目度）: 20.533239616846874
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual noise is often regarded as a disturbance in image quality, whereas it can also provide a crucial clue for image-based forensic tasks. Conventionally, noise is assumed to comprise an additive Gaussian model to be estimated and then used to reveal anomalies. However, for real sensor noise, it should be modeled as signal-dependent noise (SDN). In this work, we apply SDN to splicing forgery localization tasks. Through statistical analysis of the SDN model, we assume that noise can be modeled as a Gaussian approximation for a certain brightness and propose a likelihood model for a noise level function. By building a maximum a posterior Markov random field (MAP-MRF) framework, we exploit the likelihood of noise to reveal the alien region of spliced objects, with a probability combination refinement strategy. To ensure a completely blind detection, an iterative alternating method is adopted to estimate the MRF parameters. Experimental results demonstrate that our method is effective and provides a comparative localization performance.
• Abstract（参考訳）: 視覚ノイズはしばしば画像品質の乱れと見なされるが、画像ベースの法医学的タスクにとって重要な手がかりとなることもある。 従来、ノイズは、推定される付加ガウスモデルからなり、異常を明らかにするために使用されると仮定される。 しかし、実際のセンサノイズに対しては、信号依存ノイズ(SDN)としてモデル化されるべきである。 本研究では, SDN をフォージェリローカライゼーションタスクのスプライシングに適用する。 SDNモデルの統計的解析により、ある輝度に対するガウス近似としてノイズをモデル化できると仮定し、雑音レベル関数の確率モデルを提案する。 最大後続マルコフ確率場(MAP-MRF)フレームワークを構築することで、ノイズの可能性を生かし、スプリケートされた物体の異領域を明らかにする。 完全盲検検出を実現するため, MRFパラメータを推定するために反復交替法が採用された。 実験結果から,本手法は有効であり,比較ローカライゼーション性能が得られた。

関連論文リスト

• Certified Adversarial Robustness via Partition-based Randomized Smoothing [9.054540533394926]
  我々は、ニューラルネットワークの信頼度を高めるために、Pixel Partitioningベースのランダム化平滑化(PPRS)手法を提案する。 提案するPPRSアルゴリズムは,加法ガウス雑音下での画像の可視性を向上させる。
  論文  参考訳（メタデータ） (2024-09-20T14:41:47Z)
• Correntropy-Based Improper Likelihood Model for Robust Electrophysiological Source Imaging [18.298620404141047]
  既存のソースイメージングアルゴリズムは、観測ノイズに対するガウスの仮定を利用して、ベイズ推定の確率関数を構築する。 脳活動の電磁的測定は、通常、様々な人工物に影響され、観測ノイズの非ガウス分布につながる可能性がある。 非ガウス雑音に対して頑健な新しい確率モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-27T07:54:15Z)
• Diffusion Gaussian Mixture Audio Denoise [23.760755498636943]
  本稿では拡散モデルとガウス混合モデルに基づくデノナイズモデルであるDiffGMMモデルを提案する。 まず1D-U-Netを用いて特徴を抽出し,ガウス混合モデルのパラメータを推定する線形層を訓練する。 推定ノイズからノイズ信号を連続的に減算してクリーンオーディオ信号を出力する。
  論文  参考訳（メタデータ） (2024-06-13T14:18:10Z)
• Blue noise for diffusion models [50.99852321110366]
  本稿では,画像内および画像間の相関雑音を考慮した拡散モデルを提案する。 我々のフレームワークは、勾配流を改善するために、1つのミニバッチ内に画像間の相関を導入することができる。 本手法を用いて,各種データセットの質的,定量的な評価を行う。
  論文  参考訳（メタデータ） (2024-02-07T14:59:25Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• PoGaIN: Poisson-Gaussian Image Noise Modeling from Paired Samples [9.22047303381213]
  ペア画像を用いたポアソン・ガウス雑音モデルのための新しい累積的アプローチを導出する。 MSE, アウトレーヤの効果, 画像依存性, バイアスに着目し, 異なるベースライン上での性能向上を示す。
  論文  参考訳（メタデータ） (2022-10-10T17:34:49Z)
• 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)
• Learning based signal detection for MIMO systems with unknown noise statistics [84.02122699723536]
  本論文では,未知のノイズ統計による信号を堅牢に検出する一般化最大確率(ML)推定器を考案する。 実際には、システムノイズに関する統計的な知識はほとんどなく、場合によっては非ガウス的であり、衝動的であり、分析不可能である。 我々のフレームワークは、ノイズサンプルのみを必要とする教師なしの学習アプローチによって駆動される。
  論文  参考訳（メタデータ） (2021-01-21T04:48:15Z)
• Shape Matters: Understanding the Implicit Bias of the Noise Covariance [76.54300276636982]
  勾配降下のノイズはパラメータ化モデルに対するトレーニングにおいて重要な暗黙の正則化効果をもたらす。 ミニバッチやラベルの摂動によって引き起こされるパラメータ依存ノイズはガウスノイズよりもはるかに効果的であることを示す。 分析の結果,パラメータ依存ノイズは局所最小値に偏りを生じさせるが,球状ガウス雑音は生じないことがわかった。
  論文  参考訳（メタデータ） (2020-06-15T18:31:02Z)
• Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
  ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。 本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
  論文  参考訳（メタデータ） (2019-08-29T15:54:06Z)

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。