Fugu-MT 論文翻訳(概要): Suppression of Correlated Noise with Similarity-based Unsupervised Deep Learning

論文の概要: Suppression of Correlated Noise with Similarity-based Unsupervised Deep Learning

arxiv url: http://arxiv.org/abs/2011.03384v6
Date: Wed, 5 Jan 2022 18:47:20 GMT
ステータス: 処理完了
システム内更新日: 2022-09-29 04:40:21.907653
Title: Suppression of Correlated Noise with Similarity-based Unsupervised Deep Learning
Title（参考訳）: 類似度に基づく教師なし深層学習による相関雑音の抑制
Authors: Chuang Niu, Mengzhou Li, Fenglei Fan, Weiwen Wu, Xiaodong Guo, Qing Lyu, and Ge Wang
Abstract要約: Noise2Simは、非局所非線形方式で機能し、相関ノイズを抑制する教師なしのディープ・デノナイジング手法である。 Nosie2Simは、ノイズの多い低用量および光子計数CT画像から、教師付き学習方法と同じくらい効果的に、あるいはそれ以上に機能を回復する。
参考スコア（独自算出の注目度）: 7.61850613267116
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Image denoising is a prerequisite for downstream tasks in many fields. Low-dose and photon-counting computed tomography (CT) denoising can optimize diagnostic performance at minimized radiation dose. Supervised deep denoising methods are popular but require paired clean or noisy samples that are often unavailable in practice. Limited by the independent noise assumption, current unsupervised denoising methods cannot process correlated noises as in CT images. Here we propose the first-of-its-kind similarity-based unsupervised deep denoising approach, referred to as Noise2Sim, that works in a nonlocal and nonlinear fashion to suppress not only independent but also correlated noises. Theoretically, Noise2Sim is asymptotically equivalent to supervised learning methods under mild conditions. Experimentally, Nosie2Sim recovers intrinsic features from noisy low-dose CT and photon-counting CT images as effectively as or even better than supervised learning methods on practical datasets visually, quantitatively and statistically. Noise2Sim is a general unsupervised denoising approach and has great potential in diverse applications.
Abstract（参考訳）: 画像処理は多くの分野において下流タスクの前提条件である。低線量および光子計数ctは、最小放射線量での診断性能を最適化することができる。改良されたディープ・デノナイジング・メソッドは人気があるが、実際には利用できないペアのクリーンなサンプルやノイズの多いサンプルが必要である。独立雑音の仮定によって制限された現在の教師なし遮音法は、CT画像のように相関ノイズを処理できない。本稿では,非局所的,非線形的に機能し,独立性だけでなく相関性も抑制するノイズ2シムと呼ばれる,一意の類似性に基づく非教師付きディープデノイング手法を提案する。理論的には、ノイズ2simは温和な条件下で教師付き学習法と漸近的に等価である。実験的に、Nosie2Simはノイズの多い低用量CTと光子計数CT画像から本質的な特徴を、実用的なデータセット上の教師あり学習方法と同じくらい効果的に、定量的、統計的に回収する。 noise2simは一般に教師なしの分類アプローチであり、多様なアプリケーションにおいて大きな可能性を秘めている。

関連論文リスト

Neighboring Slice Noise2Noise: Self-Supervised Medical Image Denoising from Single Noisy Image Volume [12.077993066353294]
近距離スライスノイズ2ノイズ(NS-N2N)の自己監督型医用画像復号法を提案する。 NS-N2Nは、画像ボリューム自体の高品質な denoising を実現するために、1つの医療画像から得られるノイズの多い画像ボリュームのみを必要とする。
論文参考訳（メタデータ） (2024-11-16T16:24:28Z)
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)
Noise2Contrast: Multi-Contrast Fusion Enables Self-Supervised Tomographic Image Denoising [6.314790045423454]
ノイズ2コントラストは、複数の計測画像コントラストからの情報を組み合わせて、デノナイジングモデルを訓練する。画像のコントラストの独立雑音実現を利用して、ドメイン転送演算子と重畳することで、自己監督的損失を導出する。実測データを用いた実験は,ノイズ2コントラストが他のマルチコントラスト画像に一般化されることを示唆している。
論文参考訳（メタデータ） (2022-12-09T13:03:24Z)
Noise2SR: Learning to Denoise from Super-Resolved Single Noisy Fluorescence Image [9.388253054229155]
ノイズ2SRは、異なる次元の雑音のペア画像で訓練するために設計されている。より効率的に自己監督され、単一ノイズの観測からより多くの画像の詳細を復元することができる。我々は、ノイズ2SRは、他の種類の科学的画像品質を改善する可能性があると想定している。
論文参考訳（メタデータ） (2022-09-14T04:44:41Z)
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)
C2N: Practical Generative Noise Modeling for Real-World Denoising [53.96391787869974]
両例を使わずに複雑な実世界の騒音を模倣するクリーン・ツー・ノイズ画像生成フレームワーク,すなわちC2Nを導入する。我々は,C2Nの騒音発生器を実世界の騒音特性の成分に応じて構築し,広い範囲の騒音を正確に表現する。
論文参考訳（メタデータ） (2022-02-19T05:53:46Z)
IDR: Self-Supervised Image Denoising via Iterative Data Refinement [66.5510583957863]
本稿では,最先端のデノナイジング性能を実現するために,教師なしの実用的なデノナイジング手法を提案する。本手法では, 1つのノイズ画像と1つのノイズモデルしか必要とせず, 実際の生画像に容易にアクセス可能である。実世界のアプリケーションにおける生画像復調性能を評価するため,500シーンのシーンを含む高品質な生画像データセットSenseNoise-500を構築した。
論文参考訳（メタデータ） (2021-11-29T07:22:53Z)
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)
Noise2Same: Optimizing A Self-Supervised Bound for Image Denoising [54.730707387866076]
本稿では,新しい自己教師型デノベーションフレームワークであるNoss2Sameを紹介する。特にノイズ2Sameは、ノイズモデルに関するJ-不変性や余分な情報を必要としない。以上の結果から,ノイズ2Sameは従来の自己監督型遮音法よりも優れていたことが示唆された。
論文参考訳（メタデータ） (2020-10-22T18:12:26Z)
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)
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)

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。