論文の概要: Speckles-Training-Based Denoising Convolutional Neural Network Ghost Imaging

• arxiv url: http://arxiv.org/abs/2104.02873v1
• Date: Wed, 7 Apr 2021 02:56:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-08 23:42:51.127096
• Title: Speckles-Training-Based Denoising Convolutional Neural Network Ghost Imaging
• Title（参考訳）: speckles-training-based denoising convolutional neural network ghost imaging
• Authors: Yuchen He, Sihong Duan, Jianxing Li, Hui Chen, Huaibin Zheng, Jianbin Liu, Shitao Zhu, Zhuo Xu
• Abstract要約: DnCNN(Denoising Convolutional Neural Networks)に基づく改良型ゴーストイメージング(GI)手法を提案する。 DnCNNにおける入力(雑音画像)と出力(残留画像)の対応にインスパイアされ、トレーニングを通してスペックルシーケンスと対応するGIの雑音分布のマッピングを構築する。 未知のターゲットを照らすのに同じスペックルシーケンスを使用し、消音ターゲット画像を取得します。
• 参考スコア（独自算出の注目度）: 5.737427318960774
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ghost imaging (GI) has been paid attention gradually because of its lens-less imaging capability, turbulence-free imaging and high detection sensitivity. However, low image quality and slow imaging speed restrict the application process of GI. In this paper, we propose a improved GI method based on Denoising Convolutional Neural Networks (DnCNN). Inspired by the corresponding between input (noisy image) and output (residual image) in DnCNN, we construct the mapping between speckles sequence and the corresponding noise distribution in GI through training. Then, the same speckles sequence is employed to illuminate unknown targets, and a de-noising target image will be obtained. The proposed method can be regarded as a general method for GI. Under two sampling rates, extensive experiments are carried out to compare with traditional GI method (basic correlation and compressed sensing) and DnCNN method on three data sets. Moreover, we set up a physical GI experiment system to verify the proposed method. The results show that the proposed method achieves promising performance.
• Abstract（参考訳）: ゴーストイメージング(GI)は、レンズレスイメージング能力、乱流なしイメージング、高感度検出のために徐々に注目されている。 しかし,低画質,低撮影速度ではGIの適用プロセスが制限される。 本稿では,DnCNN(Denoising Convolutional Neural Networks)に基づく改良GI手法を提案する。 DnCNNにおける入力(雑音画像)と出力(残留画像)の対応にインスパイアされ、トレーニングを通してスペックルシーケンスと対応するGIの雑音分布のマッピングを構築する。 そして、未知のターゲットを照らすために同じスペックルシーケンスを使用し、ノイズ除去対象画像を得る。 提案手法はGIの一般的な方法とみなすことができる。 2つのサンプリングレートの下で、従来のgi法(基本相関法と圧縮センシング法)とdncnn法を3つのデータセットで比較するための広範囲な実験を行った。 さらに,提案手法を検証するための物理gi実験システムを構築した。 その結果,提案手法は有望な性能を実現することがわかった。

関連論文リスト

• Denoising Plane Wave Ultrasound Images Using Diffusion Probabilistic Models [3.3463490716514177]
  高フレームレート超音波イメージングは、高フレームレートイメージングを可能にする最先端技術である。 高フレームレート超音波イメージングにかかわる課題の1つは、それらにかかわる高ノイズが、より広範に採用を妨げていることである。 提案手法は,平面波画像の画質向上を目的としている。 具体的には、低角と高角複合平面波の区別をノイズとみなす。 さらに,本手法では,生成した画像の強度マップとして自然画像分割マスクを用い,解剖学的形状の精度向上を図る。
  論文  参考訳（メタデータ） (2024-08-20T16:31:31Z)
• Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
  視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。 本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。 実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
  論文  参考訳（メタデータ） (2022-10-26T15:21:39Z)
• Supervised Denoising of Diffusion-Weighted Magnetic Resonance Images Using a Convolutional Neural Network and Transfer Learning [0.0]
  本稿では,現実的な合成MRデータに基づいて訓練された畳み込みニューラルネットワークを用いて,脳の拡散強調画像(DWI)を識別する手法を提案する。 提案手法の適用により,繰り返しスキャンする回数を減らすことにより,スキャン時間の大幅な削減が可能となった。
  論文  参考訳（メタデータ） (2022-06-01T08:14:35Z)
• 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)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• DU-GAN: Generative Adversarial Networks with Dual-Domain U-Net Based Discriminators for Low-Dose CT Denoising [22.351540738281265]
  LDCT画像の画質向上のために, ディープラーニング技術が導入されている。 本稿では, DA-GAN と呼ばれる新しい手法を提案する。この手法は, GANs フレームワークにおける U-Net ベースの識別器を用いて, 正規化画像と正規化画像のグローバル・ローカル差分を学習する。
  論文  参考訳（メタデータ） (2021-08-24T14:37:46Z)
• 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)
• Depth image denoising using nuclear norm and learning graph model [107.51199787840066]
  グループベース画像復元法は,パッチ間の類似性収集に有効である。 各パッチに対して、検索ウィンドウ内で最もよく似たパッチを見つけ、グループ化する。 提案手法は, 主観的, 客観的両面において, 最先端の復調法よりも優れている。
  論文  参考訳（メタデータ） (2020-08-09T15:12:16Z)
• 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)
• 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。