論文の概要: Pseudo-ISP: Learning Pseudo In-camera Signal Processing Pipeline from A Color Image Denoiser

• arxiv url: http://arxiv.org/abs/2103.10234v1
• Date: Thu, 18 Mar 2021 13:11:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-19 13:59:32.597311
• Title: Pseudo-ISP: Learning Pseudo In-camera Signal Processing Pipeline from A Color Image Denoiser
• Title（参考訳）: Pseudo-ISP:カラー画像デノイザによる擬似カメラ内信号処理パイプラインの学習
• Authors: Yue Cao and Xiaohe Wu and Shuran Qi and Xiao Liu and Zhongqin Wu and Wangmeng Zuo
• Abstract要約: 雑音の差によるテスト画像の処理にカラー画像復調器を適応させる未ペア学習方式を提案する。 我々は,事前訓練されたデノイザー,テスト用ノイズ画像のセット,クリーン画像の非ペア化など,実践的なトレーニング設定を検討する。 pseudo-ispは現実的なsrgb画像の合成に有効である。
• 参考スコア（独自算出の注目度）: 73.88164217509816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The success of deep denoisers on real-world color photographs usually relies on the modeling of sensor noise and in-camera signal processing (ISP) pipeline. Performance drop will inevitably happen when the sensor and ISP pipeline of test images are different from those for training the deep denoisers (i.e., noise discrepancy). In this paper, we present an unpaired learning scheme to adapt a color image denoiser for handling test images with noise discrepancy. We consider a practical training setting, i.e., a pre-trained denoiser, a set of test noisy images, and an unpaired set of clean images. To begin with, the pre-trained denoiser is used to generate the pseudo clean images for the test images. Pseudo-ISP is then suggested to jointly learn the pseudo ISP pipeline and signal-dependent rawRGB noise model using the pairs of test and pseudo clean images. We further apply the learned pseudo ISP and rawRGB noise model to clean color images to synthesize realistic noisy images for denoiser adaption. Pseudo-ISP is effective in synthesizing realistic noisy sRGB images, and improved denoising performance can be achieved by alternating between Pseudo-ISP training and denoiser adaption. Experiments show that our Pseudo-ISP not only can boost simple Gaussian blurring-based denoiser to achieve competitive performance against CBDNet, but also is effective in improving state-of-the-art deep denoisers, e.g., CBDNet and RIDNet.
• Abstract（参考訳）: 現実世界のカラー写真におけるディープデノイザーの成功は、通常、センサーノイズとカメラ内信号処理(ISP)パイプラインのモデリングに依存する。 テストイメージのセンサとispパイプラインが、深いデノワザ(すなわちノイズの不一致)をトレーニングするためのものとは異なる場合、パフォーマンスの低下は必然的に起こる。 本稿では,色画像デノイザを雑音の差によるテスト画像の処理に適用する未経験学習方式を提案する。 我々は,事前訓練されたデノイザー,テスト用ノイズ画像のセット,クリーン画像の非ペア化など,実践的なトレーニング設定を検討する。 まず、事前訓練されたデノイザを使用して、テスト画像の擬似クリーンイメージを生成する。 次に擬似ISPパイプラインと信号依存の生RGBノイズモデルをテスト画像と擬似クリーン画像のペアを用いて共同学習することが提案される。 さらに,学習された擬似ispとrawrgbノイズモデルをカラー画像のクリーン化に適用し,デノイザー適応のための現実的なノイズ画像の合成を行う。 Pseudo-ISPは、現実的なノイズの多いsRGB画像の合成に有効であり、Pseudo-ISPトレーニングとdenoiser適応の交互化により、復調性能を向上させることができる。 実験により,我々のPseudo-ISPは,単純なガウスのぼかしベースのデノイザを向上してCBDNetと競合する性能を達成するだけでなく,CBDNetやRIDNetといった最先端のディープデノイザの改善にも有効であることが示された。

関連論文リスト

• DualDn: Dual-domain Denoising via Differentiable ISP [18.615749494617564]
  DualDnは、新しい学習ベースの二重ドメイン記述である。 異なるノイズ分布とISP構成に適応する。 プラグ・アンド・プレイのデノナイジングモジュールとして、実際のカメラで再トレーニングすることなく使用できる。
  論文  参考訳（メタデータ） (2024-09-27T14:30:24Z)
• How to Best Combine Demosaicing and Denoising? [16.921538543268216]
  分解と分解は 生画像パイプラインにおいて 重要な役割を担っています ほとんどの復号法はノイズフリー画像の復号化に対処する。 本当の問題は、ノイズの多い生画像の合成と分解だ。
  論文  参考訳（メタデータ） (2024-08-13T07:23:53Z)
• Simple Image Signal Processing using Global Context Guidance [56.41827271721955]
  ディープラーニングベースのISPは、深層ニューラルネットワークを使用してRAW画像をDSLRライクなRGBイメージに変換することを目指している。 我々は,全RAW画像からグローバルなコンテキスト情報をキャプチャするために,任意のニューラルISPに統合可能な新しいモジュールを提案する。 本モデルでは,多種多様な実スマートフォン画像を用いて,様々なベンチマークで最新の結果が得られる。
  論文  参考訳（メタデータ） (2024-04-17T17:11:47Z)
• A cross Transformer for image denoising [83.68175077524111]
  直列ブロック(SB)、並列ブロック(PB)、残留ブロック(RB)を備えたクロストランスフォーマー(CTNet)を提案する。 CTNetは、実画像や合成画像のデノナイジングにおいて、一般的なデノナイジング法よりも優れている。
  論文  参考訳（メタデータ） (2023-10-16T13:53:19Z)
• Random Sub-Samples Generation for Self-Supervised Real Image Denoising [9.459398471988724]
  我々は,Smpling Different As Perturbation (SDAP) という,自己監督型実画像記述フレームワークを提案する。 トレーニング画像に適切な摂動を加えることで,BSNの性能を効果的に向上できることがわかった。 その結果、実世界のデータセット上で、最先端の自己教師型デノベーション手法を著しく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-07-31T16:39:35Z)
• LW-ISP: A Lightweight Model with ISP and Deep Learning [17.972611191715888]
  ISPパイプラインにおけるリアルタイム高速処理を実現するための学習ベース手法の可能性を示す。 RAWデータからRGB画像へのイメージマッピングを暗黙的に学習する新しいアーキテクチャであるLW-ISPを提案する。 実験により、LW-ISPはPSNRの0.38dB改善を達成した。
  論文  参考訳（メタデータ） (2022-10-08T04:00:03Z)
• 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)
• 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)
• 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。