論文の概要: Galaxy Image Translation with Semi-supervised Noise-reconstructed
Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2101.07389v1
- Date: Tue, 19 Jan 2021 00:43:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-26 10:05:10.660998
- Title: Galaxy Image Translation with Semi-supervised Noise-reconstructed
Generative Adversarial Networks
- Title(参考訳): 半教師付きノイズ再構成型生成逆ネットワークによる銀河画像の翻訳
- Authors: Qiufan Lin and Dominique Fouchez and J\'er\^ome Pasquet
- Abstract要約: 半教師付き方式でペア画像とペア画像の両方を利用するGANを用いた双方向画像翻訳モデルを提案する。
提案手法は,グローバルおよびローカルな特性を効果的に回復し,ベンチマーク画像翻訳モデルより優れていることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image-to-image translation with Deep Learning neural networks, particularly
with Generative Adversarial Networks (GANs), is one of the most powerful
methods for simulating astronomical images. However, current work is limited to
utilizing paired images with supervised translation, and there has been rare
discussion on reconstructing noise background that encodes instrumental and
observational effects. These limitations might be harmful for subsequent
scientific applications in astrophysics. Therefore, we aim to develop methods
for using unpaired images and preserving noise characteristics in image
translation. In this work, we propose a two-way image translation model using
GANs that exploits both paired and unpaired images in a semi-supervised manner,
and introduce a noise emulating module that is able to learn and reconstruct
noise characterized by high-frequency features. By experimenting on multi-band
galaxy images from the Sloan Digital Sky Survey (SDSS) and the Canada France
Hawaii Telescope Legacy Survey (CFHT), we show that our method recovers global
and local properties effectively and outperforms benchmark image translation
models. To our best knowledge, this work is the first attempt to apply
semi-supervised methods and noise reconstruction techniques in astrophysical
studies.
- Abstract(参考訳): ディープラーニングニューラルネットワークを用いた画像から画像への翻訳、特にgans(generative adversarial network)は、天文学的なイメージをシミュレートする最も強力な方法の1つである。
しかし、現在の研究はペア画像と教師付き翻訳の活用に限られており、器用・観察的効果を符号化するノイズ背景の再構築に関する議論は稀である。
これらの制限は、天体物理学におけるその後の科学的応用に有害である可能性がある。
そこで本稿では,画像翻訳における未ペア画像の使用とノイズ特性の保存方法を提案する。
本研究では,ペア画像とペア画像の両方を半教師付きで活用するGANを用いた双方向画像翻訳モデルを提案し,高周波特徴を特徴とする雑音の学習と再構成が可能なノイズエミュレーションモジュールを提案する。
Sloan Digital Sky Survey (SDSS) と Canada France Hawaii Telescope Legacy Survey (CFHT) のマルチバンド・ギャラクシー・イメージを実験することにより,本手法はグローバル・ローカルな特性を効果的に回復し,ベンチマーク画像変換モデルより優れていることを示す。
我々の知る限り、この研究は天体物理学研究に半教師付き手法とノイズ再構成技術を適用する最初の試みである。
- 全文 参考訳へのリンク
関連論文リスト
- 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) - Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。
提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-04-05T12:46:36Z) - 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) - A Novel Image Denoising Algorithm Using Concepts of Quantum Many-Body
Theory [40.29747436872773]
本稿では,量子多体理論に触発された新しい画像認識アルゴリズムを提案する。
パッチ解析に基づき、局所像近傍における類似度尺度は、量子力学における相互作用に似た用語によって定式化される。
本稿では,医療用超音波画像復号法などの現実的な課題に対処する手法を提案する。
論文 参考訳(メタデータ) (2021-12-16T23:34:37Z) - Convolutional Deep Denoising Autoencoders for Radio Astronomical Images [0.0]
我々は、最先端の電波望遠鏡の合成画像に、畳み込み復号化オートエンコーダ(Convolutional Denoising Autoencoder)と呼ばれる機械学習技術を適用した。
我々のオートエンコーダは、器用感度の限界でかすかな物体を識別し、抽出する複雑な画像を効果的に識別することができる。
論文 参考訳(メタデータ) (2021-10-16T17:08:30Z) - Unsupervised Single Image Super-resolution Under Complex Noise [60.566471567837574]
本稿では,一般のSISRタスクを未知の劣化で扱うためのモデルベースunsupervised SISR法を提案する。
提案手法は, より小さなモデル (0.34M vs. 2.40M) だけでなく, より高速な技術 (SotA) 法 (約1dB PSNR) の現況を明らかに超えることができる。
論文 参考訳(メタデータ) (2021-07-02T11:55:40Z) - Learning Spatial and Spatio-Temporal Pixel Aggregations for Image and
Video Denoising [104.59305271099967]
ピクセル集計ネットワークを提示し、画像デノイジングのためのピクセルサンプリングと平均戦略を学びます。
時間空間にまたがるサンプル画素をビデオデノナイズするための画素集約ネットワークを開発した。
本手法は,動的シーンにおける大きな動きに起因する誤認問題を解決することができる。
論文 参考訳(メタデータ) (2021-01-26T13:00:46Z) - 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) - Cloud removal in remote sensing images using generative adversarial
networks and SAR-to-optical image translation [0.618778092044887]
雲の除去は、幅広い衛星画像の応用により、多くの注目を集めている。
本研究では,2つの生成逆ネットワーク(GAN)を用いてこの問題の解決を試みる。
第1はSAR画像を光学画像に変換し、第2は前GANの変換画像を使用して雲を除去する。
論文 参考訳(メタデータ) (2020-12-22T17:19:14Z)
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。