論文の概要: Removing Pixel Noises and Spatial Artifacts with Generative Diversity Denoising Methods

• arxiv url: http://arxiv.org/abs/2104.01374v1
• Date: Sat, 3 Apr 2021 11:00:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-07 13:38:57.082707
• Title: Removing Pixel Noises and Spatial Artifacts with Generative Diversity Denoising Methods
• Title（参考訳）: 世代差分法による画素ノイズと空間アーチファクトの除去
• Authors: Mangal Prakash, Mauricio Delbracio, Peyman Milanfar, Florian Jug
• Abstract要約: 生成的多様性を規定する手法が,教師なしの構造化ノイズの除去を学べるのは,初めてである。 構造的ノイズ除去に加えて,新しいGDD法により,画素ノイズ除去のための8つのベンチマークデータセットのうち7つに対して,新たなSOTA(State-of-the-art)結果が得られた。
• 参考スコア（独自算出の注目度）: 20.448132397690546
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image denoising and artefact removal are complex inverse problems admitting many potential solutions. Variational Autoencoders (VAEs) can be used to learn a whole distribution of sensible solutions, from which one can sample efficiently. However, such a generative approach to image restoration is only studied in the context of pixel-wise noise removal (e.g. Poisson or Gaussian noise). While important, a plethora of application domains suffer from imaging artefacts (structured noises) that alter groups of pixels in correlated ways. In this work we show, for the first time, that generative diversity denoising (GDD) approaches can learn to remove structured noises without supervision. To this end, we investigate two existing GDD architectures, introduce a new one based on hierarchical VAEs, and compare their performances against a total of seven state-of-the-art baseline methods on five sources of structured noise (including tomography reconstruction artefacts and microscopy artefacts). We find that GDD methods outperform all unsupervised baselines and in many cases not lagging far behind supervised results (in some occasions even superseding them). In addition to structured noise removal, we also show that our new GDD method produces new state-of-the-art (SOTA) results on seven out of eight benchmark datasets for pixel-noise removal. Finally, we offer insights into the daunting question of how GDD methods distinguish structured noise, which we like to see removed, from image signals, which we want to see retained.
• Abstract（参考訳）: 画像のデノゲーションとアーティファクトの除去は多くの潜在的な解決策を認める複雑な逆問題である。 変分オートエンコーダ (VAEs) は、有効な解全体の分布を学習するために使用することができ、そこから効率的にサンプリングすることができる。 しかし、このような画像復元に対する生成的アプローチは、画素単位のノイズ除去(例えば)の文脈でのみ研究されている。 Poisson または Gaussian noise)。 重要ではあるが、多くのアプリケーションドメインは、関連づけられた方法でピクセルのグループを変更するアーティファクト(構造化ノイズ)のイメージングに苦しむ。 本研究は,GDD(Generative diversity denoising)アプローチが,教師なしの構造化ノイズの除去を学習できることを初めて示す。 この目的のために,既存の2つのgddアーキテクチャを調査し,階層的vaesに基づく新しい手法を導入し,その性能を構造的ノイズ(トモグラフィ再構成や顕微鏡的人工物など)の5つの音源における7つの最先端ベースライン法と比較する。 GDD法はすべての教師なしベースラインより優れており、多くの場合、監督された結果よりもはるかに遅れていない(時にはその代わりになることもある)。 構造的ノイズ除去に加えて,新しいGDD法により,画素ノイズ除去のための8つのベンチマークデータセットのうち7つに対して,新たなSOTA(State-of-the-art)結果が得られた。 最後に、GDD法が取り除くような構造的ノイズを、保持したい画像信号とどのように区別するかという、恐ろしい疑問について、洞察を提供する。

関連論文リスト

• Degradation-Noise-Aware Deep Unfolding Transformer for Hyperspectral Image Denoising [9.119226249676501]
  ハイパースペクトル画像(HSI)は、帯域幅が狭いため、ノイズが多いことが多い。 HSIデータキューブのノイズを低減するため、モデル駆動型と学習型の両方の復調アルゴリズムが提案されている。 本稿では,これらの問題に対処するDNA-Net(Degradation-Noise-Aware Unfolding Network)を提案する。
  論文  参考訳（メタデータ） (2023-05-06T13:28:20Z)
• I2V: Towards Texture-Aware Self-Supervised Blind Denoising using Self-Residual Learning for Real-World Images [8.763680382529412]
  pixel-shuffle downsampling (PD) はノイズの空間的相関を排除するために提案されている。 テクスチャ情報を維持するために,PD処理を使わずに自己学習を提案する。 広汎な実験の結果,提案手法は最先端の自己監督型ブラインド・デノイング・アプローチよりも優れていた。
  論文  参考訳（メタデータ） (2023-02-21T08:51:17Z)
• Learning to Generate Realistic Noisy Images via Pixel-level Noise-aware Adversarial Training [50.018580462619425]
  我々は,PNGAN(Pixel-level Noise-aware Generative Adrial Network)という新しいフレームワークを提案する。 PNGANは、トレーニング済みのリアルデノイザーを使用して、フェイク画像とリアルノイズ画像をほぼノイズのないソリューション空間にマッピングする。 より優れたノイズフィッティングを実現するため,ジェネレータとしてSimple Multi-versa-scale Network (SMNet) を提案する。
  論文  参考訳（メタデータ） (2022-04-06T14:09:02Z)
• 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)
• Dual Adversarial Network: Toward Real-world Noise Removal and Noise Generation [52.75909685172843]
  実世界の画像ノイズ除去は、コンピュータビジョンにおける長年の課題である。 本稿では,ノイズ除去およびノイズ発生タスクに対処する新しい統合フレームワークを提案する。 本手法はクリーンノイズ画像対の連成分布を学習する。
  論文  参考訳（メタデータ） (2020-07-12T09:16:06Z)
• Fully Unsupervised Diversity Denoising with Convolutional Variational Autoencoders [81.30960319178725]
  完全畳み込み変分オートエンコーダ(VAE)に基づく復調手法であるDivNoisingを提案する。 まず, 撮像ノイズモデルをデコーダに明示的に組み込むことにより, 教師なしの雑音発生問題をVAEフレームワーク内に定式化する手法を提案する。 このようなノイズモデルは、ノイズの多いデータから測定したり、ブートストラップしたり、トレーニング中に共同学習したりすることが可能である。
  論文  参考訳（メタデータ） (2020-06-10T21:28:13Z)
• Reconstructing the Noise Manifold for Image Denoising [56.562855317536396]
  本稿では,画像ノイズ空間の構造を明示的に活用するcGANを提案する。 画像ノイズの低次元多様体を直接学習することにより、この多様体にまたがる情報のみをノイズ画像から除去する。 我々の実験に基づいて、我々のモデルは既存の最先端アーキテクチャを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-02-11T00:31:31Z)
• 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。