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。

関連論文リスト

• Multi-stage image denoising with the wavelet transform [125.2251438120701]
  深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。 動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
  論文  参考訳（メタデータ） (2022-09-26T03:28:23Z)
• NBD-GAP: Non-Blind Image Deblurring Without Clean Target Images [79.33220095067749]
  良好な性能を得るためには、トレーニングには大量のぼやけたクリーンなイメージペアが必要である。 テスト中のぼやけた画像とぼやけたカーネルが、トレーニング中に使用するものとは大きく異なる場合、ディープネットワークはよく機能しないことが多い。
  論文  参考訳（メタデータ） (2022-09-20T06:21:11Z)
• Multi-channel Nuclear Norm Minus Frobenius Norm Minimization for Color Image Denoising [9.20787253404652]
  従来の戦略の1つは、RGBイメージを相関の少ない色空間に変換し、新しい空間の各チャネルを別々に識別することである。 本稿では,核ノルムの最小化フレームワークであるフロベニウス・ノルム最小化フレームワークを用いて,カラー画像のマルチチャネル最適化モデルを提案する。 合成および実ノイズデータセットによる実験結果は,提案モデルが最先端モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2022-09-16T04:10:29Z)
• 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)
• Unsupervised Denoising of Optical Coherence Tomography Images with Dual_Merged CycleWGAN [3.3909577600092122]
  そこで我々は,網膜CT画像復調のためのDual-Merged Cycle-WGANと呼ばれる新しいサイクル一貫性生成適応ネットを提案する。 本モデルでは,2つのCycle-GANネットワークとデクリミネータとワッセルシュタイン損失を併用して,優れたトレーニング安定性と性能を実現する。
  論文  参考訳（メタデータ） (2022-05-02T07:38:19Z)
• 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)
• WaveCNet: Wavelet Integrated CNNs to Suppress Aliasing Effect for Noise-Robust Image Classification [41.94702591058716]
  畳み込みニューラルネットワーク(CNN)はノイズを遮断する傾向がある。 我々は、共通のダウンサンプリングを離散ウェーブレット変換(DWT)に置き換えることで、CNNとウェーブレットを統合することを試みる。 我々はまた、ImageNet、ImageNet-C、および6つの敵攻撃のノイズバージョンでWaveCNetsの性能を検証した。
  論文  参考訳（メタデータ） (2021-07-28T12:59:15Z)
• Disentangling Noise from Images: A Flow-Based Image Denoising Neural Network [25.008542061247383]
  本稿では,イメージデノベーションを分散学習と切り離しタスクとして扱うための新しい視点を提案する。 ノイズ画像分布は、クリーン画像とノイズの結合分布と見なすことができるので、潜在表現をクリーン表現に操作することにより、消音画像を得ることができる。 我々は、クリーンまたはノイズ分布のいずれかの仮定なしに、反転型消音ネットワーク、FDNを提示します。
  論文  参考訳（メタデータ） (2021-05-11T01:52:26Z)
• 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)
• Residual Learning for Effective joint Demosaicing-Denoising [28.69029171306052]
  カラー画像生成パイプラインの2つの重要なステップは、イメージのデザイクとデノイングである。 本稿では,従来の手法と畳み込みニューラルネットワーク(CNN)を組み合わせた復調アルゴリズムを設計する。 提案アルゴリズムはチェッカーボード効果を完全に回避し,より詳細な画像を保持する。
  論文  参考訳（メタデータ） (2020-09-14T05:23:58Z)

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。