論文の概要: BM3D vs 2-Layer ONN

• arxiv url: http://arxiv.org/abs/2103.03060v1
• Date: Thu, 4 Mar 2021 14:37:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-05 15:11:01.688582
• Title: BM3D vs 2-Layer ONN
• Title（参考訳）: BM3D vs 2-Layer ONN
• Authors: Junaid Malik, Serkan Kiranyaz, Mehmet Yamac, Moncef Gabbouj
• Abstract要約: コンパクトニューラルネットワークは、AWGN画像復調のためのBM3Dと比較して、競合する結果を生み出すことができる。 その結果,最近提案されている,生成ニューロンモデル(self-onns)に基づく自己組織型ニューラルネットワークは,cnnよりも優れた選択肢ではないことがわかった。
• 参考スコア（独自算出の注目度）: 27.660076041873687
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Despite their recent success on image denoising, the need for deep and complex architectures still hinders the practical usage of CNNs. Older but computationally more efficient methods such as BM3D remain a popular choice, especially in resource-constrained scenarios. In this study, we aim to find out whether compact neural networks can learn to produce competitive results as compared to BM3D for AWGN image denoising. To this end, we configure networks with only two hidden layers and employ different neuron models and layer widths for comparing the performance with BM3D across different AWGN noise levels. Our results conclusively show that the recently proposed self-organized variant of operational neural networks based on a generative neuron model (Self-ONNs) is not only a better choice as compared to CNNs, but also provide competitive results as compared to BM3D and even significantly surpass it for high noise levels.
• Abstract（参考訳）: 最近の画像のノイズ除去の成功にもかかわらず、深く複雑なアーキテクチャの必要性はCNNの実用的な使用を妨げています。 特にリソース制約のあるシナリオでは、bm3dのような古いが計算効率のよい手法が一般的である。 本研究では,AWGN画像デノイジングにおけるBM3Dと比較し,小型ニューラルネットワークが競争結果を得ることができるかどうかを検討する。 この目的のために,隠れレイヤを2つしか持たないネットワークを設定し,異なるニューロンモデルと層幅を用いて,異なるawgnノイズレベルにおけるbm3dの性能を比較する。 この結果から, 生成ニューロンモデル(Self-ONNs)に基づくニューラルネットワークの自己組織型は, CNNよりも優れた選択であるだけでなく, BM3Dに比べて競合性があり, 高い雑音レベルにおいてさらに優れていることが示唆された。

関連論文リスト

• SparseVSR: Lightweight and Noise Robust Visual Speech Recognition [100.43280310123784]
  我々は,高密度モデルよりも高い性能を実現する軽量モデルを生成する。 その結果,疎結合ネットワークは高密度ネットワークよりもノイズに耐性があることが確認された。
  論文  参考訳（メタデータ） (2023-07-10T13:34:13Z)
• Evaluating Similitude and Robustness of Deep Image Denoising Models via Adversarial Attack [60.40356882897116]
  ディープニューラルネットワーク(DNN)は、従来の画像復調アルゴリズムよりも優れたパフォーマンスを示している。 本稿では,現在のディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディナイジング・PGD(Denoising-PGD)と名づけられた敵攻撃手法を提案する。
  論文  参考訳（メタデータ） (2023-06-28T09:30:59Z)
• Neural information coding for efficient spike-based image denoising [0.5156484100374058]
  本研究では,ガウス聴覚のためのスパイキングニューラルネットワーク(SNN)について検討する。 本稿では,Leaky Integrate and Fire(LIF)ニューロンによる情報変換処理の形式的解析を提案する。 我々は、その性能を古典的なレートコーディング機構と比較する。 その結果, LIFニューロンを用いたSNNは, 計算コストを抑えつつ, 競争性能を向上できることがわかった。
  論文  参考訳（メタデータ） (2023-05-15T09:05:32Z)
• Image Blind Denoising Using Dual Convolutional Neural Network with Skip Connection [2.9689285167236603]
  我々は、スキップ接続(DCBDNet)を用いた新しい二重畳み込みブラインド復調ネットワークを提案する。 提案するDCBDNetは、雑音推定ネットワークと二重畳み込みニューラルネットワーク(CNN)から構成される。
  論文  参考訳（メタデータ） (2023-04-04T08:21:46Z)
• 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)
• Image denoising by Super Neurons: Why go deep? [31.087153520130112]
  合成画像と実世界画像の両方におけるスーパーニューロンの利用について検討する。 以上の結果から,同じ幅と深さで,超ニューロンを持つSelf-ONNsはデノナイジング性能を著しく向上させることが明らかとなった。
  論文  参考訳（メタデータ） (2021-11-29T20:52:10Z)
• Self-Denoising Neural Networks for Few Shot Learning [66.38505903102373]
  既存のニューラルアーキテクチャの複数の段階でノイズを追加すると同時に、この付加ノイズに対して堅牢であるように学習する新しいトレーニングスキームを提案する。 このアーキテクチャは、SDNN(Self-Denoising Neural Network)と呼ばれ、現代の畳み込みニューラルネットワークに容易に適用できます。
  論文  参考訳（メタデータ） (2021-10-26T03:28:36Z)
• Convolutional versus Self-Organized Operational Neural Networks for Real-World Blind Image Denoising [25.31981236136533]
  初めてDeep Self-ONNを採用することで、現実世界の盲目の画像消音問題に取り組みます。 ディープセルフオンはPSNRで最大1.76dBの性能向上で常に優れた結果を達成します。
  論文  参考訳（メタデータ） (2021-03-04T14:49:17Z)
• FATNN: Fast and Accurate Ternary Neural Networks [89.07796377047619]
  Ternary Neural Networks (TNN) は、完全な精度のニューラルネットワークよりもはるかに高速で、電力効率が高いため、多くの注目を集めている。 そこで本研究では、3次内積の計算複雑性を2。 性能ギャップを軽減するために,実装に依存した3次量子化アルゴリズムを精巧に設計する。
  論文  参考訳（メタデータ） (2020-08-12T04:26:18Z)
• Exploring Deep Hybrid Tensor-to-Vector Network Architectures for Regression Based Speech Enhancement [53.47564132861866]
  我々は、CNN-TTというハイブリッドアーキテクチャが、モデルパラメータを小さくして高品質な性能を維持することができることを見出した。 CNN-TTは、音声品質を改善するために、特徴抽出のために下部に複数の畳み込み層で構成されている。
  論文  参考訳（メタデータ） (2020-07-25T22:21:05Z)

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。