論文の概要: Image Denoising for Strong Gaussian Noises With Specialized CNNs for Different Frequency Components

• arxiv url: http://arxiv.org/abs/2011.14908v1
• Date: Thu, 26 Nov 2020 23:20:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 08:49:08.799108
• Title: Image Denoising for Strong Gaussian Noises With Specialized CNNs for Different Frequency Components
• Title（参考訳）: 周波数成分の異なるcnnを用いた強ガウス雑音に対する画像デノージング
• Authors: Seyed Mohsen Hosseini
• Abstract要約: ニューラルネットワークをデノイズ化するための機械学習アプローチでは、ノイズの多い画像からクリーンなイメージを復元するために訓練される。 本稿では,複数の特化ネットワークのトレーニングに基づく新しい構造を提案する。
• 参考スコア（独自算出の注目度）: 4.010371060637209
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In machine learning approach to image denoising a network is trained to recover a clean image from a noisy one. In this paper a novel structure is proposed based on training multiple specialized networks as opposed to existing structures that are base on a single network. The proposed model is an alternative for training a very deep network to avoid issues like vanishing or exploding gradient. By dividing a very deep network into two smaller networks the same number of learnable parameters will be available, but two smaller networks should be trained which are easier to train. Over smoothing and waxy artifacts are major problems with existing methods; because the network tries to keep the Mean Square Error (MSE) low for general structures and details, which leads to overlooking of details. This problem is more severe in the presence of strong noise. To reduce this problem, in the proposed structure, the image is decomposed into its low and high frequency components and each component is used to train a separate denoising convolutional neural network. One network is specialized to reconstruct the general structure of the image and the other one is specialized to reconstruct the details. Results of the proposed method show higher peak signal to noise ratio (PSNR), and structural similarity index (SSIM) compared to a popular state of the art denoising method in the presence of strong noises.
• Abstract（参考訳）: 画像のノイズ化に対する機械学習アプローチでは、ネットワークがノイズの多い画像からクリーンな画像を復元するように訓練される。 本稿では,単一ネットワークを基盤とする既存の構造とは対照的に,複数の特化ネットワークのトレーニングに基づく新しい構造を提案する。 提案するモデルは,勾配の消失や爆発といった問題を回避するために,非常に深いネットワークをトレーニングする代替手段である。 非常に深いネットワークを2つの小さなネットワークに分割することで、学習可能なパラメータの数が同じになるが、トレーニングが容易な2つの小さなネットワークをトレーニングする必要がある。 ネットワークはMean Square Error(MSE)を一般的な構造や詳細に対して低く保とうとしているため、詳細を見落としてしまう。 この問題は強い雑音の存在下ではより深刻である。 この問題を軽減するため、提案した構造では、画像をその低周波成分と高周波成分に分解し、各成分を使用して別々の分極畳み込みニューラルネットワークを訓練する。 1つのネットワークはイメージの一般的な構造を再構築するために、もう1つのネットワークは詳細を再構築するために特別です。 提案手法は, 強い雑音の存在下で, 高いピーク信号対雑音比 (PSNR) , 構造類似度指数 (SSIM) を示す。

関連論文リスト

• A cross Transformer for image denoising [83.68175077524111]
  直列ブロック(SB)、並列ブロック(PB)、残留ブロック(RB)を備えたクロストランスフォーマー(CTNet)を提案する。 CTNetは、実画像や合成画像のデノナイジングにおいて、一般的なデノナイジング法よりも優れている。
  論文  参考訳（メタデータ） (2023-10-16T13:53:19Z)
• Multi-stage image denoising with the wavelet transform [125.2251438120701]
  深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。 動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
  論文  参考訳（メタデータ） (2022-09-26T03:28:23Z)
• Considering Image Information and Self-similarity: A Compositional Denoising Network [0.0]
  本稿では,画像情報経路 (IIP) と雑音推定経路 (NEP) の2つの問題を解く構成記述ネットワーク (CDN) を提案する。 実験により、CDNは合成および実世界の画像の復調において最先端の結果を達成することが示された。
  論文  参考訳（メタデータ） (2022-09-14T05:05:08Z)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• 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)
• Designing and Training of A Dual CNN for Image Denoising [117.54244339673316]
  クリーンなイメージを復元するためのDual denoising Network(DudeNet)を提案する。 DudeNetは4つのモジュールで構成されている。機能抽出ブロック、拡張ブロック、圧縮ブロック、再構築ブロックである。
  論文  参考訳（メタデータ） (2020-07-08T08:16:24Z)
• Networks with pixels embedding: a method to improve noise resistance in images classification [6.399560915757414]
  画素埋め込み技術を導入することにより,画像分類におけるノイズ耐性ネットワークを提供する。 我々は,手書き桁のmnistデータベース上で,PEを用いたネットワークと略される画素埋め込みを用いてネットワークをテストする。
  論文  参考訳（メタデータ） (2020-05-24T07:55:08Z)
• Reconstructing the Noise Manifold for Image Denoising [56.562855317536396]
  本稿では,画像ノイズ空間の構造を明示的に活用するcGANを提案する。 画像ノイズの低次元多様体を直接学習することにより、この多様体にまたがる情報のみをノイズ画像から除去する。 我々の実験に基づいて、我々のモデルは既存の最先端アーキテクチャを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-02-11T00:31:31Z)
• Spatial-Adaptive Network for Single Image Denoising [14.643663950015334]
  本稿では,効率的な単一画像ブラインドノイズ除去のための空間適応型雑音除去ネットワーク(SADNet)を提案する。 本手法は, 定量的かつ視覚的に, 最先端の復調法を超越することができる。
  論文  参考訳（メタデータ） (2020-01-28T12:24:17Z)

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。