Fugu-MT 論文翻訳(概要): Joint Denoising and Demosaicking with Green Channel Prior for Real-world Burst Images

論文の概要: Joint Denoising and Demosaicking with Green Channel Prior for Real-world Burst Images

arxiv url: http://arxiv.org/abs/2101.09870v1
Date: Mon, 25 Jan 2021 03:08:25 GMT
ステータス: 処理完了
システム内更新日: 2021-03-14 19:01:07.198779
Title: Joint Denoising and Demosaicking with Green Channel Prior for Real-world Burst Images
Title（参考訳）: 実世界バースト画像に先行したグリーンチャネルによるノイズ除去
Authors: Shi Guo, Zhetong Liang, Lei Zhang
Abstract要約: 実世界バースト画像,すなわち JDD-B の JDD 問題について検討する。グリーンチャネルが、CFAの生データにおける赤と青のチャネルの2倍のサンプリング率と品質を有することを考慮し、GCP-Netを構築するために、このグリーンチャネル事前(GCP)を使用することを提案する。我々のGCP-Netはノイズを除去しながら他のJDDメソッドよりも多くの画像構造や詳細を保存できます。
参考スコア（独自算出の注目度）: 16.052963749855568
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Denoising and demosaicking are essential yet correlated steps to reconstruct a full color image from the raw color filter array (CFA) data. By learning a deep convolutional neural network (CNN), significant progress has been achieved to perform denoising and demosaicking jointly. However, most existing CNN-based joint denoising and demosaicking (JDD) methods work on a single image while assuming additive white Gaussian noise, which limits their performance on real-world applications. In this work, we study the JDD problem for real-world burst images, namely JDD-B. Considering the fact that the green channel has twice the sampling rate and better quality than the red and blue channels in CFA raw data, we propose to use this green channel prior (GCP) to build a GCP-Net for the JDD-B task. In GCP-Net, the GCP features extracted from green channels are utilized to guide the feature extraction and feature upsampling of the whole image. To compensate for the shift between frames, the offset is also estimated from GCP features to reduce the impact of noise. Our GCP-Net can preserve more image structures and details than other JDD methods while removing noise. Experiments on synthetic and real-world noisy images demonstrate the effectiveness of GCP-Net quantitatively and qualitatively.
Abstract（参考訳）: 生色フィルタアレイ(CFA)データからフルカラー画像を再構成するには,デノイングとデシッキングが不可欠だが相関するステップである。深層畳み込みニューラルネットワーク(CNN)の学習により、共同でノイズ除去と復号化を行うことで、大きな進歩を遂げました。しかし、既存のcnn-based joint denoising and demosaicking (jdd) 法は単一の画像で動作し、付加的な白色ガウスノイズを仮定している。本研究では,実世界バースト画像,すなわち JDD-B に対する JDD 問題について検討する。グリーンチャネルが、CFAの生データにおける赤と青のチャネルの2倍のサンプリング率と品質を有することを考慮し、このグリーンチャネル事前(GCP)を用いて、JDD-BタスクのためのGCP-Netを構築することを提案する。 GCP-Netでは、グリーンチャネルから抽出されたGCP特徴を利用して、画像全体の特徴抽出と特徴アップサンプリングをガイドする。また、フレーム間のシフトを補うために、GCPの特徴からオフセットを推定し、ノイズの影響を低減する。我々のGCP-Netはノイズを除去しながら他のJDDメソッドよりも多くの画像構造や詳細を保存できます。合成および実世界の雑音画像に対する実験は、GCP-Netの有効性を定量的に定性的に示す。