論文の概要: Exploring ensembles and uncertainty minimization in denoising networks

• arxiv url: http://arxiv.org/abs/2101.09798v1
• Date: Sun, 24 Jan 2021 20:48:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-16 09:10:50.974190
• Title: Exploring ensembles and uncertainty minimization in denoising networks
• Title（参考訳）: 雑音ネットワークにおけるアンサンブルと不確実性最小化の検討
• Authors: Xiaoqi Ma
• Abstract要約: 画素とチャネルに適切な重みを割り当てることに焦点を当てた2つの注意モジュールからなる融合モデルを提案する。 実験の結果,本モデルでは,通常の事前学習型デノナイジングネットワークのベースライン上での性能が向上することが示された。
• 参考スコア（独自算出の注目度）: 0.522145960878624
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The development of neural networks has greatly improved the performance in various computer vision tasks. In the filed of image denoising, convolutional neural network based methods such as DnCNN break through the limits of classical methods, achieving better quantitative results. However, the epistemic uncertainty existing in neural networks limits further improvements in their performance over denoising tasks. Therefore, we develop and study different solutions to minimize uncertainty and further improve the removal of noise. From the perspective of ensemble learning, we implement manipulations to noisy images from the point of view of spatial and frequency domains and then denoise them using pre-trained denoising networks. We propose a fusion model consisting of two attention modules, which focus on assigning the proper weights to pixels and channels. The experimental results show that our model achieves better performance on top of the baseline of regular pre-trained denoising networks.
• Abstract（参考訳）: ニューラルネットワークの開発は、様々なコンピュータビジョンタスクのパフォーマンスを大幅に改善した。 DnCNNのような畳み込みニューラルネットワークに基づく手法は従来の手法の限界を突破し、より定量的な結果が得られる。 しかし、ニューラルネットワークに存在するてんかんの不確実性は、タスクの認知よりもパフォーマンスのさらなる改善を制限している。 そこで我々は,不確実性を最小化し,ノイズ除去をさらに改善するための異なる解を開発し検討する。 アンサンブル学習の観点からは、空間領域と周波数領域の観点からノイズ画像の操作を実装し、事前学習した分節ネットワークを用いて雑音処理を行う。 画素とチャネルに適切な重みを割り当てることに焦点を当てた2つの注意モジュールからなる融合モデルを提案する。 実験の結果,本モデルでは,通常の事前学習型デノナイジングネットワークのベースライン上での性能が向上することが示された。

関連論文リスト

• 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)
• Dynamic Slimmable Denoising Network [64.77565006158895]
  DDSNet(Dynamic Slimmable Denoising Network)は、計算量が少なくて優れたDenoising品質を実現するための一般的な手法である。 OurNetには動的ゲートによる動的推論の能力が備わっている。 我々の実験は、最先端の個別に訓練された静的 denoising ネットワークよりも一貫して優れています。
  論文  参考訳（メタデータ） (2021-10-17T22:45:33Z)
• Meta-Optimization of Deep CNN for Image Denoising Using LSTM [0.0]
  メタ最適化トレーニング手法をDnCNN復調アルゴリズムに適用し,復調能力の向上を図る。 より単純なアルゴリズムに関する予備実験により,DnCNN復調能力向上に向けたメタ最適化トレーニング手法の活用の可能性を明らかにした。
  論文  参考訳（メタデータ） (2021-07-14T16:59:44Z)
• Dense-Sparse Deep CNN Training for Image Denoising [3.4176234391973512]
  畳み込みニューラルネットワーク(CNN)のような深層学習(DL)手法は、画像認知領域で注目されている。 ディープ・デノイングCNN(DnCNN)は、多くのフィードフォワード・コンボリューション・レイヤを使用して、バッチ正規化と残差学習の正規化を行い、デノージング性能を大幅に向上させる。 しかし、これは膨大な数のトレーニング可能なパラメータを犠牲にしている。 本稿では,パラメータ数を削減しつつ,同等の性能を実現し,この問題に対処する。
  論文  参考訳（メタデータ） (2021-07-10T15:14:19Z)
• 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)
• 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)
• Image Denoising using Attention-Residual Convolutional Neural Networks [0.0]
  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。
  論文  参考訳（メタデータ） (2021-01-19T16:37:57Z)
• Deep Gaussian Denoiser Epistemic Uncertainty and Decoupled Dual-Attention Fusion [11.085432358616671]
  我々は,最先端手法の性能限界をガウス雑音化に推進することに注力する。 本研究では, 1つの事前訓練ネットワークのみを用いて, 骨粗さを低減するモデル非依存アプローチを提案する。 その結果,最先端のベースラインや様々なノイズレベルに対して有意に改善した。
  論文  参考訳（メタデータ） (2021-01-12T17:38:32Z)
• 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)

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。