論文の概要: ISCL: Interdependent Self-Cooperative Learning for Unpaired Image Denoising

• arxiv url: http://arxiv.org/abs/2102.09858v1
• Date: Fri, 19 Feb 2021 10:54:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-22 13:29:49.404276
• Title: ISCL: Interdependent Self-Cooperative Learning for Unpaired Image Denoising
• Title（参考訳）: ISCL:不対画像検出のための相互依存型自己協調学習
• Authors: Kanggeun Lee and Won-Ki Jeong
• Abstract要約: 本論文では,ISCL (Interdependent Self-Cooperative Learning) を提案する。 ISCLは、周期的対向学習と自己監督的残差学習を組み合わせる。 そこで本研究では,isclが従来および現在のディープラーニングに基づく画像デノイジング法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 3.796436257221662
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: With the advent of advances in self-supervised learning, paired clean-noisy data are no longer required in deep learning-based image denoising. However, existing blind denoising methods still require the assumption with regard to noise characteristics, such as zero-mean noise distribution and pixel-wise noise-signal independence; this hinders wide adaptation of the method in the medical domain. On the other hand, unpaired learning can overcome limitations related to the assumption on noise characteristics, which makes it more feasible for collecting the training data in real-world scenarios. In this paper, we propose a novel image denoising scheme, Interdependent Self-Cooperative Learning (ISCL), that leverages unpaired learning by combining cyclic adversarial learning with self-supervised residual learning. Unlike the existing unpaired image denoising methods relying on matching data distributions in different domains, the two architectures in ISCL, designed for different tasks, complement each other and boost the learning process. To assess the performance of the proposed method, we conducted extensive experiments in various biomedical image degradation scenarios, such as noise caused by physical characteristics of electron microscopy (EM) devices (film and charging noise), and structural noise found in low-dose computer tomography (CT). We demonstrate that the image quality of our method is superior to conventional and current state-of-the-art deep learning-based image denoising methods, including supervised learning.
• Abstract（参考訳）: 自己教師型学習の進展に伴い、深層学習に基づく画像認知においてペア化されたクリーンノイズデータはもはや必要とされない。 しかし、既存のブラインド弁別法では、ゼロ平均ノイズ分布や画素単位のノイズ信号独立といったノイズ特性の仮定が必要であり、医療領域における方法の広範な適用を妨げる。 一方,非ペア学習は,ノイズ特性の仮定による制約を克服できるため,実世界のシナリオにおけるトレーニングデータ収集がより可能となる。 本稿では,自己教師付き残余学習と巡回逆学習を組み合わせることにより,非ペア学習を活用し,相互依存型自己協調学習(iscl)を提案する。 ISCLの2つのアーキテクチャは、異なるドメインのマッチングデータ分布に依存する既存の無対の画像ノイズ除去方法とは異なり、異なるタスク用に設計され、互いに補完し、学習プロセスを高めます。 提案手法の性能を評価するために,電子顕微鏡装置(EM)の物理的特性によるノイズ(フィルムと充電ノイズ)や低線量コンピュータトモグラフィ(CT)における構造ノイズなど,さまざまな生物医学的画像劣化シナリオにおいて広範な実験を行った。 本手法の画質は,教師あり学習を含む,最先端の深層学習に基づく画像認識手法よりも優れていることを示す。

関連論文リスト

• Neighboring Slice Noise2Noise: Self-Supervised Medical Image Denoising from Single Noisy Image Volume [12.077993066353294]
  近距離スライスノイズ2ノイズ(NS-N2N)の自己監督型医用画像復号法を提案する。 NS-N2Nは、画像ボリューム自体の高品質な denoising を実現するために、1つの医療画像から得られるノイズの多い画像ボリュームのみを必要とする。
  論文  参考訳（メタデータ） (2024-11-16T16:24:28Z)
• Self-supervised OCT Image Denoising with Slice-to-Slice Registration and Reconstruction [5.972377737617966]
  構造保存ノイズ低減のための学習に基づく自己教師手法は,従来の手法よりも優れた性能を示した。 我々は,OCT画像復調に適したエンドツーエンドの自己教師型学習フレームワークを新たに導入する。
  論文  参考訳（メタデータ） (2023-11-26T02:45:16Z)
• Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
  本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。 提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。 提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
  論文  参考訳（メタデータ） (2023-03-23T09:33:44Z)
• Noise2Contrast: Multi-Contrast Fusion Enables Self-Supervised Tomographic Image Denoising [6.314790045423454]
  ノイズ2コントラストは、複数の計測画像コントラストからの情報を組み合わせて、デノナイジングモデルを訓練する。 画像のコントラストの独立雑音実現を利用して、ドメイン転送演算子と重畳することで、自己監督的損失を導出する。 実測データを用いた実験は,ノイズ2コントラストが他のマルチコントラスト画像に一般化されることを示唆している。
  論文  参考訳（メタデータ） (2022-12-09T13:03:24Z)
• 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)
• Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
  本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。 因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。 また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
  論文  参考訳（メタデータ） (2022-03-29T13:07:53Z)
• Deformed2Self: Self-Supervised Denoising for Dynamic Medical Imaging [0.0]
  Deformed2Selfは動的撮像のためのエンドツーエンドの自己教師型ディープラーニングフレームワークである。 シングルイメージとマルチイメージのデノゲーションを組み合わせて画像品質を改善し、空間トランスフォーマーネットワークを使用して異なるスライス間の動きをモデル化する。
  論文  参考訳（メタデータ） (2021-06-23T05:50:19Z)
• Unpaired Learning of Deep Image Denoising [80.34135728841382]
  本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。 自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。 実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
  論文  参考訳（メタデータ） (2020-08-31T16:22:40Z)
• Improving Blind Spot Denoising for Microscopy [73.94017852757413]
  自己監督型認知の質を向上させる新しい方法を提案する。 我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
  論文  参考訳（メタデータ） (2020-08-19T13:06:24Z)
• Self-supervised Denoising via Diffeomorphic Template Estimation: Application to Optical Coherence Tomography [6.197149831796131]
  本稿では, 動き変形を繰り返し取得する際の自己教師型 denoising の利用を可能にする, 共同微分型テンプレート推定およびデノナイジングフレームワークを提案する。 OCT画像のノイズ化には質的,定量的な改善が見られ,マルチ露光に適応可能な画像モダリティに汎用性が期待できる。
  論文  参考訳（メタデータ） (2020-08-18T16:52:10Z)
• Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
  ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。 本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
  論文  参考訳（メタデータ） (2019-08-29T15:54:06Z)

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。