論文の概要: Automatic Feature Highlighting in Noisy RES Data With CycleGAN

• arxiv url: http://arxiv.org/abs/2108.11283v1
• Date: Wed, 25 Aug 2021 15:03:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-26 13:04:32.307780
• Title: Automatic Feature Highlighting in Noisy RES Data With CycleGAN
• Title（参考訳）: CycleGANによるノイズRESデータの自動特徴強調
• Authors: Nicholas Khami, Omar Imtiaz, Akif Abidi, Akash Aedavelli, Alan Goff, Jesse R. Pisel, Michael J. Pyrcz
• Abstract要約: 電波エコー (RES) は、地下の氷河イメージングでよく用いられる技法であり、基盤となる岩石や氷の知見を提供する。 研究者は、多くの場合、手動による解釈とフィルタリング技術を組み合わせて、データを識別する。 完全な畳み込みネットワークはレーダグラムの層の境界を特定するための自動化された代替手段として提案されている。 そこで本稿では,GANモデルを用いて層境界をノイズで補間し,2次元の氷河RESデータで層をハイライトする手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Radio echo sounding (RES) is a common technique used in subsurface glacial imaging, which provides insight into the underlying rock and ice. However, systematic noise is introduced into the data during collection, complicating interpretation of the results. Researchers most often use a combination of manual interpretation and filtering techniques to denoise data; however, these processes are time intensive and inconsistent. Fully Convolutional Networks have been proposed as an automated alternative to identify layer boundaries in radargrams. However, they require high-quality manually processed training data and struggle to interpolate data in noisy samples (Varshney et al. 2020). Herein, the authors propose a GAN based model to interpolate layer boundaries through noise and highlight layers in two-dimensional glacial RES data. In real-world noisy images, filtering often results in loss of data such that interpolating layer boundaries is nearly impossible. Furthermore, traditional machine learning approaches are not suited to this task because of the lack of paired data, so we employ an unpaired image-to-image translation model. For this model, we create a synthetic dataset to represent the domain of images with clear, highlighted layers and use an existing real-world RES dataset as our noisy domain. We implement a CycleGAN trained on these two domains to highlight layers in noisy images that can interpolate effectively without significant loss of structure or fidelity. Though the current implementation is not a perfect solution, the model clearly highlights layers in noisy data and allows researchers to determine layer size and position without mathematical filtering, manual processing, or ground-truth images for training. This is significant because clean images generated by our model enable subsurface researchers to determine glacial layer thickness more efficiently.
• Abstract（参考訳）: 電波エコー (RES) は、地下の氷河イメージングでよく用いられる技法であり、基盤となる岩石や氷の知見を提供する。 しかし、収集中のデータにシステマティックノイズが導入され、結果の解釈が複雑になる。 研究者は多くの場合、手動の解釈とフィルタリング技術を組み合わせてデータを識別するが、これらのプロセスは時間と一貫性がない。 完全な畳み込みネットワークは、radargramの層境界を識別するための自動化された代替として提案されている。 しかし、高品質な手作業によるトレーニングデータを必要とし、ノイズの多いサンプル(Varshneyら)でデータを補間するのに苦労する。 2020). 本稿では,GANモデルを用いて2次元の氷河RESデータにおいて,層の境界をノイズで補間し,層をハイライトする手法を提案する。 実世界のノイズ画像では、フィルタリングは、レイヤー境界を補間することはほぼ不可能であるようなデータの損失をもたらすことが多い。 さらに、従来の機械学習手法はペアデータがないため、このタスクには適さないため、未ペア画像から画像への変換モデルを採用する。 このモデルでは、透明で強調されたレイヤを持つイメージのドメインを表現する合成データセットを作成し、既存の現実世界のresデータセットをノイズの多いドメインとして使用します。 これら2つのドメインでトレーニングされたサイクガンを実装し、ノイズの多い画像の層を強調表示し、構造や忠実度を著しく損なうことなく効果的に補間できる。 現在の実装は完璧な解決策ではないが、このモデルはノイズの多いデータの層を明確に強調し、数学的フィルタリングや手動処理、地平線画像のトレーニングなしに、レイヤーのサイズと位置を決定できる。 これは、我々のモデルによって生成されたクリーンな画像により、地下の研究者が氷河層厚をより効率的に決定できるためである。

関連論文リスト

• NIR-Assisted Image Denoising: A Selective Fusion Approach and A Real-World Benchmark Dataset [53.79524776100983]
  近赤外(NIR)画像を活用して、視認可能なRGB画像の復調を支援することで、この問題に対処する可能性を示している。 既存の作品では、NIR情報を効果的に活用して現実のイメージを飾ることに苦戦している。 先進デノナイジングネットワークにプラグイン・アンド・プレイ可能な効率的な選択核融合モジュール(SFM)を提案する。
  論文  参考訳（メタデータ） (2024-04-12T14:54:26Z)
• Multi-Scale Texture Loss for CT denoising with GANs [0.9349653765341301]
  GAN(Generative Adversarial Networks)は、医療画像の応用を認知するための強力なフレームワークとして証明されている。 本研究は,Gray-Level-Co-occurrence Matrix (GLCM) の内在的マルチスケール特性を利用した損失関数を提案する。 また,画像から抽出したマルチスケールテクスチャ情報を動的に集約する自己認識層を導入する。
  論文  参考訳（メタデータ） (2024-03-25T11:28:52Z)
• Exposure Bracketing is All You Need for Unifying Image Restoration and Enhancement Tasks [50.822601495422916]
  本稿では,露光ブラケット写真を利用して画像復元と拡張作業を統合することを提案する。 実世界のペアの収集が困難であるため,まず合成ペアデータを用いてモデルを事前学習する手法を提案する。 特に,時間変調リカレントネットワーク(TMRNet)と自己教師あり適応手法を提案する。
  論文  参考訳（メタデータ） (2024-01-01T14:14:35Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• Seeing Through The Noisy Dark: Toward Real-world Low-Light Image Enhancement and Denoising [125.56062454927755]
  現実の低照度環境は通常、光やハードウェアの限界が不足しているため、視界が低く、騒音が重い。 我々は、RLED-Net(Real-world Low-light Enhancement & Denoising Network)と呼ばれる新しいエンドツーエンド手法を提案する。
  論文  参考訳（メタデータ） (2022-10-02T14:57:23Z)
• Synthesizing Optical and SAR Imagery From Land Cover Maps and Auxiliary Raster Data [14.407683537373325]
  我々はランドカバーマップから光学RGBと合成開口レーダ(SAR)のリモートセンシング画像とGANを用いた補助データの両方を合成する。 リモートセンシングでは、デジタル標高モデル(DEM)や降水マップのような多くの種類のデータが土地被覆地図に反映されないことが多いが、それでも画像の内容や構造に影響を与える。 本手法は, 対応するデータセットを用いて, メディア(10m) と高(1m) の解像度画像の合成に成功している。
  論文  参考訳（メタデータ） (2020-11-23T10:28:10Z)
• Semi-Supervised Image Deraining using Gaussian Processes [18.434430658837258]
  合成データセットを用いて学習のネットワークをデライン化できる半教師付き学習フレームワークを提案する。 提案手法は,ラベル付き学習に比べ,ラベル付き学習に比べて性能が著しく向上することを示す。
  論文  参考訳（メタデータ） (2020-09-25T17:16:16Z)
• Syn2Real Transfer Learning for Image Deraining using Gaussian Processes [92.15895515035795]
  CNNに基づく画像デライニング手法は,再現誤差や視覚的品質の点で優れた性能を発揮している。 実世界の完全ラベル付き画像デライニングデータセットを取得する上での課題により、既存の手法は合成されたデータのみに基づいて訓練される。 本稿では,ガウス過程に基づく半教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T00:33:18Z)
• 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。