Fugu-MT 論文翻訳(概要): Image Denoising using Attention-Residual Convolutional Neural Networks

論文の概要: Image Denoising using Attention-Residual Convolutional Neural Networks

arxiv url: http://arxiv.org/abs/2101.07713v1
Date: Tue, 19 Jan 2021 16:37:57 GMT
ステータス: 処理完了
システム内更新日: 2021-03-22 11:15:57.007006
Title: Image Denoising using Attention-Residual Convolutional Neural Networks
Title（参考訳）: アテンション残差畳み込みニューラルネットワークによる画像認識
Authors: Rafael G. Pires, Daniel F. S. Santos, Marcos C.S. Santana, Claudio F.G. Santos, Joao P. Papa
Abstract要約: 本稿では,学習に基づく新たな非盲検手法であるAttention Residual Convolutional Neural Network (ARCNN)を提案し,その拡張としてFlexible Attention Residual Convolutional Neural Network (FARCNN)を提案する。 ARCNNはガウス語とポアソン語で約0.44dBと0.96dBの平均PSNR結果を達成し、FARCNNはARCNNに比べて若干パフォーマンスが悪くても非常に一貫した結果を示した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: During the image acquisition process, noise is usually added to the data mainly due to physical limitations of the acquisition sensor, and also regarding imprecisions during the data transmission and manipulation. In that sense, the resultant image needs to be processed to attenuate its noise without losing details. Non-learning-based strategies such as filter-based and noise prior modeling have been adopted to solve the image denoising problem. Nowadays, learning-based denoising techniques showed to be much more effective and flexible approaches, such as Residual Convolutional Neural Networks. Here, we propose a new learning-based non-blind denoising technique named Attention Residual Convolutional Neural Network (ARCNN), and its extension to blind denoising named Flexible Attention Residual Convolutional Neural Network (FARCNN). The proposed methods try to learn the underlying noise expectation using an Attention-Residual mechanism. Experiments on public datasets corrupted by different levels of Gaussian and Poisson noise support the effectiveness of the proposed approaches against some state-of-the-art image denoising methods. ARCNN achieved an overall average PSNR results of around 0.44dB and 0.96dB for Gaussian and Poisson denoising, respectively FARCNN presented very consistent results, even with slightly worsen performance compared to ARCNN.
Abstract（参考訳）: 画像取得の過程では、取得センサの物理的制約や、データ転送や操作における不正確さなどにより、通常、ノイズがデータに追加される。その意味では、結果のイメージを処理して、詳細を失うことなくノイズを減衰させる必要がある。フィルタベースやノイズ先行モデリングといった非学習型戦略が,画像の雑音化問題を解決するために採用されている。今日では、Residual Convolutional Neural Networksなど、学習ベースのDenoisingテクニックの方が、はるかに効果的で柔軟なアプローチであることが示されている。本稿では,学習に基づく新たな非盲検手法であるAttention Residual Convolutional Neural Network (ARCNN)を提案し,その拡張としてFlexible Attention Residual Convolutional Neural Network (FARCNN)を提案する。提案手法は,アテンション・残留機構を用いて基礎となる騒音予測を学習する。ガウスノイズとポアソンノイズのレベルが異なっていたパブリックデータセットの実験は、いくつかの最先端画像デノイジング手法に対する提案手法の有効性を裏付けるものである。 ARCNNはガウス語とポアソン語で約0.44dBと0.96dBの平均PSNR結果を達成し、FARCNNはARCNNに比べて若干パフォーマンスが悪くても非常に一貫した結果を示した。