論文の概要: NBNet: Noise Basis Learning for Image Denoising with Subspace Projection

• arxiv url: http://arxiv.org/abs/2012.15028v1
• Date: Wed, 30 Dec 2020 04:03:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-18 06:00:09.827934
• Title: NBNet: Noise Basis Learning for Image Denoising with Subspace Projection
• Title（参考訳）: NBNet:サブスペース投影による画像認識のためのノイズバス学習
• Authors: Shen Cheng, Yuzhi Wang, Haibin Huang, Donghao Liu, Haoqiang Fan, Shuaicheng Liu
• Abstract要約: 画像復調のための新しいフレームワークであるNBNetを紹介する。 特徴空間における一連の再構成ベースを学習することにより、信号と雑音を分離できるネットワークを訓練する。 信号部分空間の対応する基底を選択し、入力をそのような空間に投影することで、画像デノシングを実現することができる。
• 参考スコア（独自算出の注目度）: 24.372927951214685
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this paper, we introduce NBNet, a novel framework for image denoising. Unlike previous works, we propose to tackle this challenging problem from a new perspective: noise reduction by image-adaptive projection. Specifically, we propose to train a network that can separate signal and noise by learning a set of reconstruction basis in the feature space. Subsequently, image denosing can be achieved by selecting corresponding basis of the signal subspace and projecting the input into such space. Our key insight is that projection can naturally maintain the local structure of input signal, especially for areas with low light or weak textures. Towards this end, we propose SSA, a non-local subspace attention module designed explicitly to learn the basis generation as well as the subspace projection. We further incorporate SSA with NBNet, a UNet structured network designed for end-to-end image denosing. We conduct evaluations on benchmarks, including SIDD and DND, and NBNet achieves state-of-the-art performance on PSNR and SSIM with significantly less computational cost.
• Abstract（参考訳）: 本稿では,画像復調のための新しいフレームワークであるNBNetを紹介する。 従来と異なり,画像適応投影による雑音低減という新たな視点から,この問題に取り組むことを提案する。 具体的には,特徴空間における再構成基底のセットを学習することにより,信号と雑音を分離できるネットワークを訓練することを提案する。 その後、信号部分空間の対応する基底を選択し、入力をそのような空間に投影することにより、画像デノシングを実現することができる。 我々の重要な洞察は、プロジェクションは入力信号の局所的な構造を自然に維持できるということだ。 この目的に向けて,基本生成と部分空間射影を明示的に学習するために設計された非局所部分空間注意モジュールであるssaを提案する。 さらに、エンド・ツー・エンドの画像デノシング用に設計されたUNet構造化ネットワークであるNBNetにSSAを組み込む。 我々は、SIDDやDNDなどのベンチマークで評価を行い、NBNetはPSNRおよびSSIMの最先端性能を計算コストを著しく削減する。

関連論文リスト

• Semi-signed neural fitting for surface reconstruction from unoriented point clouds [53.379712818791894]
  より優れた符号付き距離場を再構成するためのSN-Fittingを提案する。 SSNフィッティングは半署名の監督と損失に基づく領域サンプリング戦略で構成されている。 我々は,SSN-Fittingが,異なる設定下で最先端の性能を達成することを示す実験を行う。
  論文  参考訳（メタデータ） (2022-06-14T09:40:17Z)
• Thunder: Thumbnail based Fast Lightweight Image Denoising Network [92.9631117239565]
  textbfThumbtextbfnail ベースの textbfDtextbfenoising Netwotextbfrk called Thunder が提案されている。
  論文  参考訳（メタデータ） (2022-05-24T06:38:46Z)
• Practical Blind Denoising via Swin-Conv-UNet and Data Synthesis [143.3733195477997]
  本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。 トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。 AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
  論文  参考訳（メタデータ） (2022-03-24T18:11:31Z)
• Dencentralized learning in the presence of low-rank noise [57.18977364494388]
  ネットワーク内のエージェントが収集した観測は、観測ノイズや干渉のために信頼性が低い。 本稿では,各ノードが自身の観測の信頼性を向上させる分散アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-18T09:13:57Z)
• Image Compressed Sensing Using Non-local Neural Network [43.51101614942895]
  本稿では,非局所ニューラルネットワーク(NL-CSNet)を用いた新しい画像CSフレームワークを提案する。 提案したNL-CSNetでは,非局所的な自己相似性を生かした2つの非局所ワークが構築されている。 マルチスケール特徴領域のサブネットワークでは,高密度特徴表現間の親和性について検討する。
  論文  参考訳（メタデータ） (2021-12-07T14:06:12Z)
• LINN: Lifting Inspired Invertible Neural Network for Image Denoising [41.188745735682744]
  本稿では,変換型デノナイジングフレームワークに着想を得た画像デノナイジング(DnINN)のための可逆ニューラルネットワークを提案する。 提案したDnINNは、ウェーブレット理論のリフトスキームにインスパイアされたLINNと呼ばれる可逆ニューラルネットワークで構成されている。 DnINN法は,学習可能なパラメータの1/4しか必要とせず,DnCNN法に匹敵する結果が得られる。
  論文  参考訳（メタデータ） (2021-05-07T14:52:48Z)
• Hyperspectral Denoising Using Unsupervised Disentangled Spatio-Spectral Deep Priors [10.65207459525818]
  近年、データ駆動ニューラルネットワークは、rgb自然画像のノイズ化に有望な性能を示している。 データ駆動の事前処理は、トレーニングデータがないため、ハイパースペクトル画像の取得が難しい。 この研究は、HSIの古典的スペクトル分解に基づく教師なしのDIPフレームワークを提供する。
  論文  参考訳（メタデータ） (2021-02-24T14:38:51Z)
• Synergy Between Semantic Segmentation and Image Denoising via Alternate Boosting [102.19116213923614]
  ノイズ除去とセグメンテーションを交互に行うためのブーストネットワークを提案する。 我々は,ノイズによるセグメンテーション精度の低下に対処するだけでなく,画素別意味情報によってデノージング能力が向上することを示す。 実験の結果,デノイド画像の品質が大幅に向上し,セグメンテーション精度がクリーン画像に近いことを示した。
  論文  参考訳（メタデータ） (2021-02-24T06:48:45Z)
• 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)
• SMDS-Net: Model Guided Spectral-Spatial Network for Hyperspectral Image Denoising [10.597014770267672]
  ディープ・ラーニング (DL) に基づくハイパースペクトル画像 (HSI) 法は、観測されたノイズ画像と基礎となるクリーン画像との間の非線形マッピングを直接学習する。 本稿では,HSIデノベーションのための新しいモデルガイド付き解釈可能なネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-03T11:05:01Z)

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。