論文の概要: Controllable Confidence-Based Image Denoising

• arxiv url: http://arxiv.org/abs/2106.09311v1
• Date: Thu, 17 Jun 2021 08:25:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-19 03:16:51.894237
• Title: Controllable Confidence-Based Image Denoising
• Title（参考訳）: 制御可能な信頼度に基づく画像デノイジング
• Authors: Haley Owsianko, Florian Cassayre and Qiyuan Liang
• Abstract要約: 本稿では,信頼度に基づくノイズ除去を制御可能なフレームワークを提案する。 このフレームワークは、2つの異なる識別された画像の融合に基づいている。 提案するフレームワークの有効性を,異なるユースケースで示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image denoising is a classic restoration problem. Yet, current deep learning methods are subject to the problems of generalization and interpretability. To mitigate these problems, in this project, we present a framework that is capable of controllable, confidence-based noise removal. The framework is based on the fusion between two different denoised images, both derived from the same noisy input. One of the two is denoised using generic algorithms (e.g. Gaussian), which make few assumptions on the input images, therefore, generalize in all scenarios. The other is denoised using deep learning, performing well on seen datasets. We introduce a set of techniques to fuse the two components smoothly in the frequency domain. Beyond that, we estimate the confidence of a deep learning denoiser to allow users to interpret the output, and provide a fusion strategy that safeguards them against out-of-distribution inputs. Through experiments, we demonstrate the effectiveness of the proposed framework in different use cases.
• Abstract（参考訳）: イメージデノイングは古典的な復元問題です。 しかし、現在のディープラーニング手法は一般化と解釈可能性の問題に直面している。 これらの問題を解決するため,本プロジェクトでは,制御可能な信頼度に基づくノイズ除去が可能なフレームワークを提案する。 このフレームワークは、2つの異なる画像の融合に基づいており、どちらも同じノイズ入力から派生している。 そのうちの1つはジェネリックアルゴリズム(例)で識別される。 入力イメージにはほとんど仮定しないガウス(gaussian)は、すべてのシナリオにおいて一般化する。 もう1つはディープラーニングを使って識別され、見られるデータセットでうまく機能する。 周波数領域において2つのコンポーネントをスムーズに融合させる手法のセットを紹介する。 さらに,ユーザが出力を解釈できるように,深層学習ディネーザの信頼性を見積もるとともに,アウト・オブ・ディストリビューションの入力から保護するための融合戦略を提供する。 実験を通じて,提案フレームワークの有効性を異なるユースケースで実証する。

関連論文リスト

• Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
  本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。 提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。 提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
  論文  参考訳（メタデータ） (2023-03-23T09:33:44Z)
• Linear Combinations of Patches are Unreasonably Effective for Single-Image Denoising [5.893124686141782]
  ディープニューラルネットワークは、画像のノイズ化に革命を起こし、大幅な精度向上を実現している。 画像先行を外部から学習する必要性を軽減するため、入力ノイズ画像の分析のみに基づいて、単画像方式で復調を行う。 本研究は, この制約下でのデノナイズのためのパッチの線形結合の有効性について検討する。
  論文  参考訳（メタデータ） (2022-12-01T10:52:03Z)
• Noise2Same: Optimizing A Self-Supervised Bound for Image Denoising [54.730707387866076]
  本稿では,新しい自己教師型デノベーションフレームワークであるNoss2Sameを紹介する。 特にノイズ2Sameは、ノイズモデルに関するJ-不変性や余分な情報を必要としない。 以上の結果から,ノイズ2Sameは従来の自己監督型遮音法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2020-10-22T18:12:26Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)
• 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)
• Noise2Inpaint: Learning Referenceless Denoising by Inpainting Unrolling [2.578242050187029]
  本稿では,ノイズ2Inpaint (N2I) をトレーニング手法として導入し,デノナイジング問題を正規化した画像インパインティングフレームワークに再キャストする。 N2Iは、実世界のデータセットのデノベーションを成功させると同時に、純粋にデータ駆動型であるNoss2Selfと比較して詳細を保存できる。
  論文  参考訳（メタデータ） (2020-06-16T18:46:42Z)
• 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)
• Restore from Restored: Single Image Denoising with Pseudo Clean Image [28.38369890008251]
  我々は「再保存型」と呼ばれるシンプルで効果的な微調整アルゴリズムを提案する。 提案手法は,最先端のデノナイジングネットワーク上で容易に利用することができる。
  論文  参考訳（メタデータ） (2020-03-09T17:35:31Z)
• 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。