論文の概要: Legacy Photo Editing with Learned Noise Prior
- arxiv url: http://arxiv.org/abs/2011.11309v2
- Date: Tue, 24 Nov 2020 08:27:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 02:20:27.048367
- Title: Legacy Photo Editing with Learned Noise Prior
- Title(参考訳): 学習済みノイズによるレガシー写真の編集
- Authors: Zhao Yuzhi, Po Lai-Man, Wang Xuehui, Liu Kangcheng, Zhang Yujia, Yu
Wing-Yin, Xian Pengfei, Xiong Jingjing
- Abstract要約: 未ペア画像を用いた実画像のノイズ分布をシミュレートするノイズ先行学習者NEGANを提案する。
また、ノイズを事前に学習するための大規模なレガシ写真データセットも作成しています。
そして、推定雑音に基づいて、共同装飾、着色、着色を含む画像編集を行うIEGANフレームワークを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There are quite a number of photographs captured under undesirable conditions
in the last century. Thus, they are often noisy, regionally incomplete, and
grayscale formatted. Conventional approaches mainly focus on one point so that
those restoration results are not perceptually sharp or clean enough. To solve
these problems, we propose a noise prior learner NEGAN to simulate the noise
distribution of real legacy photos using unpaired images. It mainly focuses on
matching high-frequency parts of noisy images through discrete wavelet
transform (DWT) since they include most of noise statistics. We also create a
large legacy photo dataset for learning noise prior. Using learned noise prior,
we can easily build valid training pairs by degrading clean images. Then, we
propose an IEGAN framework performing image editing including joint denoising,
inpainting and colorization based on the estimated noise prior. We evaluate the
proposed system and compare it with state-of-the-art image enhancement methods.
The experimental results demonstrate that it achieves the best perceptual
quality.
https://github.com/zhaoyuzhi/Legacy-Photo-Editing-with-Learned-Noise-Prior for
the codes and the proposed LP dataset.
- Abstract(参考訳): 前世紀には、望ましくない状況下で撮影された写真がかなり多い。
そのため、しばしば騒がしく、地域的に不完全で、グレースケールの形式になっている。
従来のアプローチは主に、その修復結果が知覚的に鋭く、清潔でないように、一点に焦点を当てている。
これらの問題を解決するため、未ペア画像を用いた実画像のノイズ分布をシミュレートするノイズ先行学習者NEGANを提案する。
主にノイズ統計の大部分を含むため、離散ウェーブレット変換(DWT)によるノイズ画像の高周波部分のマッチングに重点を置いている。
また、先行してノイズを学習するための大きなレガシーな写真データセットも作成します。
学習ノイズを事前に使用することで,クリーンイメージの劣化による適切なトレーニングペアの構築が容易になる。
そして、推定雑音に基づいて、共同装飾、着色、着色を含む画像編集を行うIEGANフレームワークを提案する。
提案システムを評価し,最先端画像強調手法と比較する。
実験の結果,最高の知覚品質が得られることが示された。
コードと提案されたLPデータセット用のhttps://github.com/zhaoyuzhi/Legacy-Photo-Editing-with-Learned-Noise-Prior。
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) - Beyond Image Prior: Embedding Noise Prior into Conditional Denoising Transformer [17.430622649002427]
既存の学習ベースの推論手法は、大規模なデータセットからイメージを一般化するためにモデルを訓練するのが一般的である。
本稿では,ノイズと画像の先行部分の分離を区別することによる,難読化問題に対する新たな視点を提案する。
本稿では,1つの生雑音画像から直接先行する雑音を正確に推定する局所雑音優先推定アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-07-12T08:43:11Z) - Deep Variation Prior: Joint Image Denoising and Noise Variance
Estimation without Clean Data [2.3061446605472558]
本稿では,1つの共同学習フレームワークにおける画像復調と雑音分散推定の課題について検討する。
我々は、教師なしのディープラーニングフレームワークであるDVPを構築し、デノイザを同時に学習し、ノイズ分散を推定する。
提案手法では, クリーンなトレーニング画像やノイズ推定の外部ステップは必要とせず, ノイズ画像のみを用いて最小2乗誤差を近似する。
論文 参考訳(メタデータ) (2022-09-19T17:29:32Z) - Learning to Generate Realistic Noisy Images via Pixel-level Noise-aware
Adversarial Training [50.018580462619425]
我々は,PNGAN(Pixel-level Noise-aware Generative Adrial Network)という新しいフレームワークを提案する。
PNGANは、トレーニング済みのリアルデノイザーを使用して、フェイク画像とリアルノイズ画像をほぼノイズのないソリューション空間にマッピングする。
より優れたノイズフィッティングを実現するため,ジェネレータとしてSimple Multi-versa-scale Network (SMNet) を提案する。
論文 参考訳(メタデータ) (2022-04-06T14:09:02Z) - 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) - Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。
それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
論文 参考訳(メタデータ) (2021-10-10T10:45:24Z) - Adaptive noise imitation for image denoising [58.21456707617451]
本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。
現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。
ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
論文 参考訳(メタデータ) (2020-11-30T02:49:36Z) - 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) - 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) - Handling noise in image deblurring via joint learning [0.3407858371718068]
多くのブラインドデブロワー法は、ぼやけた画像はノイズのないものと仮定し、ノイズのあるぼやけた画像に対して不満足に処理する。
本稿では,デノイザサブネットワークとデブロワーサブネットワークからなるカスケードフレームワークを提案する。
共同学習は, 脱臭後の残音が脱臭に及ぼす影響を低減し, 重騒音に対する脱臭の堅牢性を向上させる。
論文 参考訳(メタデータ) (2020-01-27T12:59:52Z)
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。