論文の概要: Residual Contrastive Learning for Joint Demosaicking and Denoising
- arxiv url: http://arxiv.org/abs/2106.10070v1
- Date: Fri, 18 Jun 2021 11:37:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-21 14:16:53.967990
- Title: Residual Contrastive Learning for Joint Demosaicking and Denoising
- Title（参考訳）: 共同解体・復調のための残留コントラスト学習
- Authors: Nanqing Dong, Matteo Maggioni, Yongxin Yang, Eduardo
P\'erez-Pellitero, Ales Leonardis, Steven McDonagh
- Abstract要約: RAW画像,残差コントラスト学習(RCL)における新しいコントラスト学習手法を提案する。
本研究は,各RAW画像に含まれる雑音が信号に依存しているという仮定に基づいて構築した。
我々は、未知の(ランダムな)ノイズ分散を伴う教師なしJDDタスクに対する新しいベンチマークを設定した。
- 参考スコア（独自算出の注目度）: 49.81596361351967
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The breakthrough of contrastive learning (CL) has fueled the recent success
of self-supervised learning (SSL) in high-level vision tasks on RGB images.
However, CL is still ill-defined for low-level vision tasks, such as joint
demosaicking and denoising (JDD), in the RAW domain. To bridge this
methodological gap, we present a novel CL approach on RAW images, residual
contrastive learning (RCL), which aims to learn meaningful representations for
JDD. Our work is built on the assumption that noise contained in each RAW image
is signal-dependent, thus two crops from the same RAW image should have more
similar noise distribution than two crops from different RAW images. We use
residuals as a discriminative feature and the earth mover's distance to measure
the distribution divergence for the contrastive loss. To evaluate the proposed
CL strategy, we simulate a series of unsupervised JDD experiments with
large-scale data corrupted by synthetic signal-dependent noise, where we set a
new benchmark for unsupervised JDD tasks with unknown (random) noise variance.
Our empirical study not only validates that CL can be applied on distributions
(c.f. features), but also exposes the lack of robustness of previous non-ML and
SSL JDD methods when the statistics of the noise are unknown, thus providing
some further insight into signal-dependent noise problems.
- Abstract（参考訳）: 対照的学習(CL)のブレークスルーにより、RGB画像上の高レベル視覚タスクにおいて、自己教師付き学習(SSL)が最近成功している。
しかし、CLはRAWドメインのJDD(Joint Demosaicking and Denoising)のような低レベルの視覚タスクでは未定義である。
本稿では,この手法のギャップを埋めるために,RAW画像に対する新しいCLアプローチ,Ressent contrastive Learning (RCL)を提案する。
本研究は,各RAW画像に含まれるノイズが信号依存的であることを前提として,同一RAW画像の2つの作物は異なるRAW画像の2つの作物よりも類似したノイズ分布を持つべきである。
識別的特徴として残差を用い, コントラスト損失の分布の発散を測定するために, 地球移動者の距離を計測した。
提案したCL戦略を評価するために,合成信号依存ノイズによる大規模データによる教師なしJDD実験をシミュレーションし,未知(ランダム)ノイズ分散を伴う教師なしJDDタスクの新しいベンチマークを設定した。
実験では,cl が分布 (c.f.) に適用可能であることを検証した。
また、ノイズの統計が不明な場合には、従来の非MLおよびSSL JDDメソッドの堅牢性の欠如が露呈し、信号依存ノイズ問題に関するさらなる洞察を提供する。
関連論文リスト
- CamoTeacher: Dual-Rotation Consistency Learning for Semi-Supervised Camouflaged Object Detection [58.07124777351955]
本稿では,Dual-Rotation Consistency Learning(DRCL)を利用した新しい半教師付きCODフレームワークであるCamoTeacherを紹介する。
DRCLは、画素レベルとインスタンスレベルの回転ビューの一貫性を活用することで、擬似ラベルノイズを最小化する。
私たちのコードはまもなく利用可能になります。
論文 参考訳（メタデータ） (2024-08-15T09:33:43Z) - Zero-Shot Image Denoising for High-Resolution Electron Microscopy [28.34992348748098]
高分解能電子顕微鏡(HREM)イメージング技術は、広い範囲の物質を直接リアルタイムに可視化するための強力なツールである。
超低信号対雑音比(SNR)とデータ可用性の不足により、ノイズ除去の課題に直面している。
HREMのためのゼロショット自己教師型学習(ZS-SSL)フレームワークであるNoss2SRを提案する。
論文 参考訳（メタデータ） (2024-06-20T12:40:18Z) - 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) - Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。
これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。
まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。
次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文 参考訳（メタデータ） (2023-05-17T13:56:48Z) - 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) - Embedding contrastive unsupervised features to cluster in- and
out-of-distribution noise in corrupted image datasets [18.19216557948184]
Web画像検索に検索エンジンを使用することは、イメージデータセットを作成する際の手作業によるキュレーションに代わる誘惑的な手段である。
主な欠点は、回収された間違った(ノイズの多い)サンプルの割合である。
本稿では,教師なしのコントラスト特徴学習を用いた検出ステップから始める2段階のアルゴリズムを提案する。
比較学習のアライメントと均一性原理により,OODサンプルは単位超球面上のIDサンプルから線形に分離できることがわかった。
論文 参考訳（メタデータ） (2022-07-04T16:51:56Z) - SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。
本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。
提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
論文 参考訳（メタデータ） (2022-06-09T14:00:26Z) - Poisson2Sparse: Self-Supervised Poisson Denoising From a Single Image [34.27748767631027]
本稿では,単一画像の自己教師型学習手法を提案する。
繰り返しニューラルネットワークを用いた画像復調のための従来の反復最適化アルゴリズムを近似する。
提案手法はPSNRとSSIMの両面で最先端の手法より優れている。
論文 参考訳（メタデータ） (2022-06-04T00:08:58Z) - Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。
因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。
また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
論文 参考訳（メタデータ） (2022-03-29T13:07:53Z) - Residual-driven Fuzzy C-Means Clustering for Image Segmentation [152.609322951917]
画像分割のための残留駆動型ファジィC平均(FCM)について詳述する。
この枠組みに基づいて,混合雑音分布の重み付けによる重み付き$ell_2$-norm忠実度項を示す。
その結果、既存のFCM関連アルゴリズムよりも提案アルゴリズムの有効性と効率が優れていることが示された。
論文 参考訳（メタデータ） (2020-04-15T15:46:09Z)
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。