論文の概要: A Sub-band Approach to Deep Denoising Wavelet Networks and a
Frequency-adaptive Loss for Perceptual Quality
- arxiv url: http://arxiv.org/abs/2102.07973v1
- Date: Tue, 16 Feb 2021 06:35:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-17 15:15:27.112787
- Title: A Sub-band Approach to Deep Denoising Wavelet Networks and a
Frequency-adaptive Loss for Perceptual Quality
- Title（参考訳）: ウェーブレット網の深化に対するサブバンドアプローチと知覚品質に対する周波数適応損失
- Authors: Caglar Aytekin, Sakari Alenius, Dmytro Paliy and Juuso Gren
- Abstract要約: ニューラルネットワークでDWTを使用するアプローチは、精度を顕著に向上することを示す。
第2の貢献は、周波数領域のエラーの上位kパーセントに基づくノイズ損失です。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper, we propose two contributions to neural network based
denoising. First, we propose applying separate convolutional layers to each
sub-band of discrete wavelet transform (DWT) as opposed to the common usage of
DWT which concatenates all sub-bands and applies a single convolution layer. We
show that our approach to using DWT in neural networks improves the accuracy
notably, due to keeping the sub-band order uncorrupted prior to inverse DWT.
Our second contribution is a denoising loss based on top k-percent of errors in
frequency domain. A neural network trained with this loss, adaptively focuses
on frequencies that it fails to recover the most in each iteration. We show
that this loss results into better perceptual quality by providing an image
that is more balanced in terms of the errors in frequency components.
- Abstract（参考訳）: 本稿では,ニューラルネットワークに基づくデノベーションに2つのコントリビューションを提案する。
まず、離散ウェーブレット変換(DWT)の各サブバンドに分離した畳み込み層を適用し、全てのサブバンドを連結し単一の畳み込み層を適用するDWTの一般的な使用法と比較する。
ニューラルネットワークでDWTを使用するアプローチは,逆DWTの前にサブバンドの順序が乱れないようにするため,特に精度が向上することを示す。
第2の貢献は、周波数領域のエラーの上位kパーセントに基づくノイズ損失です。
この損失で訓練されたニューラルネットワークは、各イテレーションで最も回復できない頻度に適応的に焦点を合わせます。
この損失は、周波数成分の誤差に関してよりバランスのとれた画像を提供することにより、知覚品質が向上することを示す。
関連論文リスト
- Batch-less stochastic gradient descent for compressive learning of deep
regularization for image denoising [0.0]
クリーンな信号や画像のデータベースから取得した事前情報の助けを借りて飾ることの問題点を考察する。
ディープニューラルネットワーク(DNN)では、大規模なトレーニングデータベースから複雑な分布を復元することができる。
深部正規化パラメータの回復のための2種類の勾配降下法(SGD)を提案する。
論文 参考訳（メタデータ） (2023-10-02T11:46:11Z) - 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) - Adaptive Frequency Learning in Two-branch Face Forgery Detection [66.91715092251258]
本稿では、AFDと呼ばれる2分岐検出フレームワークにおいて、周波数情報を適応的に学習する手法を提案する。
我々は、固定周波数変換からネットワークを解放し、データおよびタスク依存の変換層でより良いパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-03-27T14:25:52Z) - Dense Pruning of Pointwise Convolutions in the Frequency Domain [10.58456555092086]
本研究では,各点層を離散コサイン変換(DCT)でラップする手法を提案する。
スパース演算子に依存する重み打ち法とは異なり、連続周波数帯打ち法は完全な密度計算をもたらす。
提案手法をMobileNetV2に適用することにより,計算時間を22%削減し,精度を1%向上させる。
論文 参考訳（メタデータ） (2021-09-16T04:02:45Z) - 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) - WaveFill: A Wavelet-based Generation Network for Image Inpainting [57.012173791320855]
WaveFillはウェーブレットベースの塗装ネットワークで、画像を複数の周波数帯域に分解する。
WaveFillは、空間情報を自然に保存する離散ウェーブレット変換(DWT)を用いて画像を分解する。
低周波帯にL1再構成損失を、高周波帯に敵対損失を施し、それによって周波数間紛争を効果的に軽減する。
論文 参考訳（メタデータ） (2021-07-23T04:44:40Z) - Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。
いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
論文 参考訳（メタデータ） (2021-03-01T08:25:26Z) - Progressive Training of Multi-level Wavelet Residual Networks for Image
Denoising [80.10533234415237]
本稿では,マルチレベルウェーブレット残差ネットワーク(MWRN)アーキテクチャと,画像復調性能向上のためのプログレッシブトレーニング手法を提案する。
人工ノイズ画像と実世界のノイズ画像の両方で実験したところ、PT-MWRNは最先端のノイズ評価法に対して良好に機能することがわかった。
論文 参考訳（メタデータ） (2020-10-23T14:14:00Z) - Wavelet Integrated CNNs for Noise-Robust Image Classification [51.18193090255933]
我々は、離散ウェーブレット変換(DWT)により、最大プール、ストライド畳み込み、平均プールを置き換えることでCNNを強化する。
VGG、ResNets、DenseNetのウェーブレット統合バージョンであるWaveCNetsは、バニラバージョンよりも精度が高く、ノイズ・ロバスト性も向上している。
論文 参考訳（メタデータ） (2020-05-07T09:10:41Z)
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。