論文の概要: Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images
- arxiv url: http://arxiv.org/abs/2101.02824v3
- Date: Wed, 31 Mar 2021 03:12:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-10 05:03:45.125144
- Title: Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images
- Title（参考訳）: neighbor2neighbor:シングルノイズ画像からの自己教師ありデノイジング
- Authors: Tao Huang, Songjiang Li, Xu Jia, Huchuan Lu and Jianzhuang Liu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 98.82804259905478
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the last few years, image denoising has benefited a lot from the fast
development of neural networks. However, the requirement of large amounts of
noisy-clean image pairs for supervision limits the wide use of these models.
Although there have been a few attempts in training an image denoising model
with only single noisy images, existing self-supervised denoising approaches
suffer from inefficient network training, loss of useful information, or
dependence on noise modeling. In this paper, we present a very simple yet
effective method named Neighbor2Neighbor to train an effective image denoising
model with only noisy images. Firstly, a random neighbor sub-sampler is
proposed for the generation of training image pairs. In detail, input and
target used to train a network are images sub-sampled from the same noisy
image, satisfying the requirement that paired pixels of paired images are
neighbors and have very similar appearance with each other. Secondly, a
denoising network is trained on sub-sampled training pairs generated in the
first stage, with a proposed regularizer as additional loss for better
performance. The proposed Neighbor2Neighbor framework is able to enjoy the
progress of state-of-the-art supervised denoising networks in network
architecture design. Moreover, it avoids heavy dependence on the assumption of
the noise distribution. We explain our approach from a theoretical perspective
and further validate it through extensive experiments, including synthetic
experiments with different noise distributions in sRGB space and real-world
experiments on a denoising benchmark dataset in raw-RGB space.
- Abstract（参考訳）: 過去数年間、画像のノイズ化はニューラルネットワークの急速な発展から多くの恩恵を受けてきた。
しかし、監督のために大量のノイズクリーン画像対を必要とするため、これらのモデルの利用は制限される。
単一のノイズ画像のみを用いた画像デノイジングモデルをトレーニングする試みはいくつかあったが、既存の自己教師ありデノイジングアプローチは、非効率なネットワークトレーニング、有用な情報の喪失、ノイズモデリングへの依存に苦しむ。
本稿では,ノイズの多い画像のみを用いた実効画像復調モデルの訓練を行うため,Neighbor2Neighborという非常に単純な手法を提案する。
まず,訓練画像対の生成のためにランダムに隣接したサブサンプラーを提案する。
具体的には、ネットワークを訓練するため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り、ペア画像のピクセルが隣り合わせで、非常に類似した外観を持つという要件を満たす。
第2に、第1段階で生成されたサブサンプリングされたトレーニングペアに雑音ネットワークをトレーニングし、提案するレギュラライザをパフォーマンス向上のための追加損失として訓練する。
提案するneighbor2neighborフレームワークは,ネットワークアーキテクチャ設計における最先端の監視ネットワークの進歩を享受することができる。
さらに,騒音分布の仮定に重依存することを回避する。
本稿では,SRGB空間におけるノイズ分布の異なる合成実験や,生RGB空間におけるデノナイジングベンチマークデータセットを用いた実世界の実験など,理論的な観点からのアプローチを説明し,さらなる検証を行う。
関連論文リスト
- Self-Calibrated Variance-Stabilizing Transformations for Real-World Image Denoising [19.08732222562782]
教師付き深層学習が画像認知のための選択方法となっている。
一般の信条とは対照的に,ガウスノイズ除去に特化するネットワークを有効活用し,実世界の画像復調に有効であることを示す。
論文 参考訳（メタデータ） (2024-07-24T16:23:46Z) - Enhancing convolutional neural network generalizability via low-rank weight approximation [6.763245393373041]
十分なノイズ処理は、画像処理にとって重要な第一歩であることが多い。
ディープニューラルネットワーク(DNN)は画像のノイズ化に広く利用されている。
本研究では,タッカー低ランクテンソル近似に基づく自己教師付き画像復調フレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-26T14:11:05Z) - Robust Deep Ensemble Method for Real-world Image Denoising [62.099271330458066]
そこで本研究では,実世界の画像認識のための単純なベイズディープアンサンブル(BDE)手法を提案する。
我々のBDEは、最先端の復調法よりも+0.28dBPSNRのゲインを達成している。
我々のBDEは他の画像復元タスクにも拡張でき、ベンチマークデータセット上で+0.30dB、+0.18dB、+0.12dB PSNRゲインを達成することができる。
論文 参考訳（メタデータ） (2022-06-08T06:19:30Z) - 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) - 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) - 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。