論文の概要: Feature-Align Network and Knowledge Distillation for Efficient Denoising
- arxiv url: http://arxiv.org/abs/2103.01524v1
- Date: Tue, 2 Mar 2021 07:09:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-03 16:53:47.520679
- Title: Feature-Align Network and Knowledge Distillation for Efficient Denoising
- Title（参考訳）: 効率的なデノナイジングのための特徴量ネットワークと知識蒸留
- Authors: Lucas D. Young, Fitsum A. Reda, Rakesh Ranjan, Jon Morton, Jun Hu,
Yazhu Ling, Xiaoyu Xiang, David Liu, Vikas Chandra
- Abstract要約: 深層学習に基づくRAW画像復調は画像復元において重要な問題である。
モバイルデバイス上での効率的なRAWデノベーションのための新しいネットワークを提案する。
MACが263倍、パラメータが最新ネットワークよりも17.6倍少ない48.28dBのPSNRを実現します。
- 参考スコア（独自算出の注目度）: 4.997028216419175
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning-based RAW image denoising is a quintessential problem in image
restoration. Recent works have pushed the state-of-the-art in denoising image
quality. However, many of these networks are computationally too expensive for
efficient use in mobile devices. Here, we propose a novel network for efficient
RAW denoising on mobile devices. Our contributions are: (1) An efficient
encoder-decoder network augmented with a new Feature-Align layer to attend to
spatially varying noise. (2) A new perceptual Feature Loss calculated in the
RAW domain to preserve high frequency image content. (3) An analysis of the use
of multiple models tuned to different subranges of noise levels. (4) An
open-source RAW noisy-clean paired dataset with noise modeling, to facilitate
research in RAW denoising. We evaluate the effectiveness of our proposed
network and training techniques and show results that compete with the
state-of-the-art network, while using significantly fewer parameters and MACs.
On the Darmstadt Noise Dataset benchmark, we achieve a PSNR of 48.28dB, with
263 times fewer MACs, and 17.6 times fewer parameters than the state-of-the-art
network, which achieves 49.12 dB.
- Abstract（参考訳）: 深層学習に基づくRAW画像復調は画像復元において重要な問題である。
近年の作品は、画像品質を問う最新技術を押し上げている。
しかし、これらのネットワークの多くは、モバイルデバイスで効率的に使うには計算コストがかかりすぎる。
本稿では,モバイルデバイス上でのRAWデノイジングを効率的に行うための新しいネットワークを提案する。
1)空間的に変化するノイズに対応するために,新しい特徴分離層を付加した効率的なエンコーダ・デコーダネットワーク。
2) RAW領域で計算された新しい知覚的特徴損失を高周波画像コンテンツとして保存する。
(3) 雑音レベルの異なるサブレンジに調整された複数のモデルの使用の分析。
(4) ノイズモデリングを伴うオープンソースの生ノイズクリーンペアデータセットであり、生雑音の研究を容易にする。
提案するネットワークとトレーニング技術の有効性を評価し、最先端のネットワークと競合する結果を示し、パラメータとMACを大幅に削減します。
Darmstadt Noise Datasetベンチマークでは、24.28dBのPSNRを達成し、MACは263倍、パラメータは49.12dBを達成した最先端のネットワークよりも17.6倍少ない。
関連論文リスト
- Zero-Shot Noise2Noise: Efficient Image Denoising without any Data [26.808569077500128]
トレーニングデータやノイズ分布の知識のない単純な2層ネットワークは,低計算コストで高品質な画像のデノーミングを実現することができることを示す。
我々のアプローチはNoss2NoiseとNeighbor2Neighborによって動機付けられ、画素単位の独立ノイズを分解するのにうまく機能する。
論文 参考訳（メタデータ） (2023-03-20T16:40:37Z) - Enhancing convolutional neural network generalizability via low-rank weight approximation [6.763245393373041]
十分なノイズ処理は、画像処理にとって重要な第一歩であることが多い。
ディープニューラルネットワーク(DNN)は画像のノイズ化に広く利用されている。
本研究では,タッカー低ランクテンソル近似に基づく自己教師付き画像復調フレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-26T14:11:05Z) - 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) - 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) - 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 Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
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) - IDR: Self-Supervised Image Denoising via Iterative Data Refinement [66.5510583957863]
本稿では,最先端のデノナイジング性能を実現するために,教師なしの実用的なデノナイジング手法を提案する。
本手法では, 1つのノイズ画像と1つのノイズモデルしか必要とせず, 実際の生画像に容易にアクセス可能である。
実世界のアプリケーションにおける生画像復調性能を評価するため,500シーンのシーンを含む高品質な生画像データセットSenseNoise-500を構築した。
論文 参考訳（メタデータ） (2021-11-29T07:22:53Z) - Efficient Deep Image Denoising via Class Specific Convolution [24.103826414190216]
画素ワイズ分類に基づく画像復調のための効率的なディープニューラルネットワークを提案する。
提案手法は性能を犠牲にすることなく計算コストを削減できる。
論文 参考訳（メタデータ） (2021-03-02T10:28:15Z) - 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) - 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) - CycleISP: Real Image Restoration via Improved Data Synthesis [166.17296369600774]
本稿では,前向きと逆方向のカメラ画像パイプラインをモデル化するフレームワークを提案する。
リアルな合成データに基づいて新しい画像認識ネットワークをトレーニングすることにより、実際のカメラベンチマークデータセット上で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2020-03-17T15:20:25Z)
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。