論文の概要: Unsupervised Deep Video Denoising

• arxiv url: http://arxiv.org/abs/2011.15045v2
• Date: Tue, 1 Dec 2020 04:25:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-06 15:02:41.986109
• Title: Unsupervised Deep Video Denoising
• Title（参考訳）: 教師なしのDeep Video Denoising
• Authors: Dev Yashpal Sheth, Sreyas Mohan, Joshua L. Vincent, Ramon Manzorro, Peter A. Crozier, Mitesh M. Khapra, Eero P. Simoncelli, Carlos Fernandez-Granda
• Abstract要約: ディープ畳み込みニューラルネットワーク(CNN)は現在、ビデオの復調において最先端のパフォーマンスを実現している。 我々は、教師なし静止画像の最近の進歩を基盤として、教師なし深層映像デノイザ(UDVD)の開発を行っている。 UDVDは、現在の最先端の教師付き手法とベンチマークデータセットで競合して動作する。
• 参考スコア（独自算出の注目度）: 26.864842892466136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep convolutional neural networks (CNNs) currently achieve state-of-the-art performance in denoising videos. They are typically trained with supervision, minimizing the error between the network output and ground-truth clean videos. However, in many applications, such as microscopy, noiseless videos are not available. To address these cases, we build on recent advances in unsupervised still image denoising to develop an Unsupervised Deep Video Denoiser (UDVD). UDVD is shown to perform competitively with current state-of-the-art supervised methods on benchmark datasets, even when trained only on a single short noisy video sequence. Experiments on fluorescence-microscopy and electron-microscopy data illustrate the promise of our approach for imaging modalities where ground-truth clean data is generally not available. In addition, we study the mechanisms used by trained CNNs to perform video denoising. An analysis of the gradient of the network output with respect to its input reveals that these networks perform spatio-temporal filtering that is adapted to the particular spatial structures and motion of the underlying content. We interpret this as an implicit and highly effective form of motion compensation, a widely used paradigm in traditional video denoising, compression, and analysis. Code and iPython notebooks for our analysis are available in https://sreyas-mohan.github.io/udvd/ .
• Abstract（参考訳）: deep convolutional neural networks (cnns)は現在、デノイジングビデオで最先端のパフォーマンスを達成している。 それらは通常、ネットワーク出力と地上のクリーンビデオの間のエラーを最小限に抑えるために、監督によって訓練される。 しかし、顕微鏡のような多くのアプリケーションでは、ノイズレスビデオは利用できない。 これらの問題に対処するため,教師なし静止画像の最近の進歩を基盤として,教師なし深層映像デノイザ(UDVD)を開発した。 UDVDは、単一の短いノイズの多いビデオシーケンスでのみトレーニングされた場合でも、ベンチマークデータセット上で現在の最先端の教師付き手法と競合して動作する。 蛍光顕微鏡および電子顕微鏡データを用いた実験は, 地中清浄データが一般に利用できないような撮像モードへのアプローチが期待できることを示す。 さらに,訓練されたCNNがビデオデノーミングを行うメカニズムについて検討した。 入力に対するネットワーク出力の勾配を解析したところ、これらのネットワークは特定の空間構造や基盤となるコンテンツの運動に適応した時空間フィルタリングを行うことが明らかとなった。 我々はこれを、従来のビデオデノゲーション、圧縮、分析において広く使われている、暗黙的で効果的な動き補償形式と解釈する。 私たちの分析用のコードとiPythonノートブックはhttps://sreyas-mohan.github.io/udvd/ で入手できる。

関連論文リスト

• Temporal As a Plugin: Unsupervised Video Denoising with Pre-Trained Image Denoisers [30.965705043127144]
  本稿では,TAP (Temporal As aTAP) という,教師なしのビデオデノベーションフレームワークを提案する。 時間的加群を組み込むことで、ノイズの多いフレームをまたがる時間的情報を活用することができ、空間的 denoising のパワーを補完することができる。 他の教師なしビデオ復号化手法と比較して,本フレームワークは,SRGBと生ビデオ復号化データセットの両方において優れた性能を示す。
  論文  参考訳（メタデータ） (2024-09-17T15:05:33Z)
• SF-V: Single Forward Video Generation Model [57.292575082410785]
  そこで本稿では,単段階ビデオ生成モデルを得るための新しい手法を提案する。 実験により,提案手法は計算オーバーヘッドを大幅に低減した合成ビデオの競合生成品質を実現することを示す。
  論文  参考訳（メタデータ） (2024-06-06T17:58:27Z)
• Unsupervised Microscopy Video Denoising [40.12041881289585]
  固定位置顕微鏡カメラで撮像した画像列を特徴とする顕微鏡映像を復調する新しい教師なしネットワークを提案する。 本稿では,下層CNN層に統合された時間信号フィルタを利用したDeepTemporal Interpolation法を提案する。 既存の雑音分布の知識を必要とせず,複数の雑音条件に適応できることが特徴である。
  論文  参考訳（メタデータ） (2024-04-17T17:38:54Z)
• Unsupervised Coordinate-Based Video Denoising [2.867801048665443]
  我々は、データ不足の問題を緩和するのに役立つ、新しい教師なしのディープラーニングアプローチを導入します。 提案手法は,特徴マップを生成する特徴生成器,復号化参照フレームを生成するデノワーズネット,高周波詳細を再導入するRefine-Netの3つのモジュールから構成される。
  論文  参考訳（メタデータ） (2023-07-01T00:11:40Z)
• Real-time Streaming Video Denoising with Bidirectional Buffers [48.57108807146537]
  リアルタイムDenoisingアルゴリズムは、通常、ビデオストリームの撮影と送信にかかわるノイズを取り除くために、ユーザーデバイスに採用されている。 最近のマルチアウトプット推論は、双方向の時間的特徴を並列または繰り返しのフレームワークで伝達する。 本研究では,過去と未来の両方の時間的受容場を持つストリーミングビデオに対して,高忠実度リアルタイムデノナイズを実現するための双方向ストリーミングビデオデノナイズフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-14T14:01:03Z)
• A Coding Framework and Benchmark towards Low-Bitrate Video Understanding [63.05385140193666]
  我々は,従来のコーデックとニューラルネットワーク(NN)の両方を活用する,従来型ニューラル混合符号化フレームワークを提案する。 このフレームワークは、動画の移動効率の良いセマンティック表現を確実に保持することで最適化される。 8つのデータセットに3つのダウンストリームタスクを備えた低ビットレートビデオ理解ベンチマークを構築し、このアプローチの顕著な優位性を実証した。
  論文  参考訳（メタデータ） (2022-02-06T16:29:15Z)
• Deep Video Prior for Video Consistency and Propagation [58.250209011891904]
  視覚的ビデオの時間的整合性に対する新規で一般的なアプローチを提案する。 提案手法は,大規模なデータセットではなく,オリジナルビデオとプロセッシングビデオのペアでのみ訓練される。 我々は、Deep Video Priorでビデオ上で畳み込みニューラルネットワークをトレーニングすることで、時間的一貫性を実現することができることを示す。
  論文  参考訳（メタデータ） (2022-01-27T16:38:52Z)
• Blind Video Temporal Consistency via Deep Video Prior [61.062900556483164]
  視覚的ビデオの時間的整合性に対する新規で一般的なアプローチを提案する。 本手法は,一対のオリジナルビデオとプロセッシングビデオを直接トレーニングするのみである。 本稿では,Deep Video Priorを用いてビデオ上の畳み込みネットワークをトレーニングすることにより,時間的一貫性を実現することができることを示す。
  論文  参考訳（メタデータ） (2020-10-22T16:19:20Z)
• Multiple Instance-Based Video Anomaly Detection using Deep Temporal Encoding-Decoding [5.255783459833821]
  本稿では,監視ビデオにおける異常検出のための時間的深部符号化復号化手法を提案する。 提案手法はトレーニング期間中に異常ビデオクリップと正常ビデオクリップの両方を使用する。 提案手法は,ビデオ監視アプリケーションにおける異常検出の最先端ソリューションと同等かそれ以上に動作することを示す。
  論文  参考訳（メタデータ） (2020-07-03T08:22:42Z)
• Non-Adversarial Video Synthesis with Learned Priors [53.26777815740381]
  我々は、参照入力フレームを使わずに、遅延雑音ベクトルからビデオを生成する問題に焦点をあてる。 本研究では,入力潜時空間,繰り返しニューラルネットワークの重み付け,非対角学習によるジェネレータを協調的に最適化する手法を開発した。 提案手法は,既存の最先端手法と比較して高品質なビデオを生成する。
  論文  参考訳（メタデータ） (2020-03-21T02:57:33Z)
• Restore from Restored: Video Restoration with Pseudo Clean Video [28.057705167363327]
  自己管理型ビデオ復号化手法"restore-from-restored"を提案する。 テストフェーズ中に擬似クリーンビデオを用いて事前学習ネットワークを微調整する。 提案した自己超越型学習アルゴリズムを用いて、微調整ビデオ復調ネットワークの復元性能を解析する。
  論文  参考訳（メタデータ） (2020-03-09T17:37:28Z)

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。