Fugu-MT 論文翻訳(概要): Deep Denoising Method for Side Scan Sonar Images without High-quality Reference Data

論文の概要: Deep Denoising Method for Side Scan Sonar Images without High-quality Reference Data

arxiv url: http://arxiv.org/abs/2108.12083v1
Date: Fri, 27 Aug 2021 01:49:23 GMT
ステータス: 処理完了
システム内更新日: 2021-08-30 14:06:53.514972
Title: Deep Denoising Method for Side Scan Sonar Images without High-quality Reference Data
Title（参考訳）: 高品質参照データを持たない横走査ソナー画像の深部雑音化法
Authors: Xiaoteng Zhou, Changli Yu, Xin Yuan, Citong Luo
Abstract要約: 本稿では,高品質な参照データを必要としないSSS画像のディープデノイング手法を提案する。提案手法は,画像品質と細部損失を最小限に抑えつつ,SSS画像のノイズを効果的に低減できることを示す。
参考スコア（独自算出の注目度）: 6.134248551458372
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Subsea images measured by the side scan sonars (SSSs) are necessary visual data in the process of deep-sea exploration by using the autonomous underwater vehicles (AUVs). They could vividly reflect the topography of the seabed, but usually accompanied by complex and severe noise. This paper proposes a deep denoising method for SSS images without high-quality reference data, which uses one single noise SSS image to perform self-supervised denoising. Compared with the classical artificially designed filters, the deep denoising method shows obvious advantages. The denoising experiments are performed on the real seabed SSS images, and the results demonstrate that our proposed method could effectively reduce the noise on the SSS image while minimizing the image quality and detail loss.
Abstract（参考訳）: サイドスキャンソナー(SSS)によって測定された海底画像は、自律型水中車両(AUV)を用いた深海探査の過程で必要な視覚的データである。海底の地形を鮮明に反映することはできたが、通常複雑で激しい騒音を伴う。本稿では,1つのノイズSS画像を用いて,高品質な参照データを必要としないSSS画像のディープデノイング手法を提案する。従来の人工フィルタと比較すると、ディープデノナイジング法には明らかな利点がある。実海底SSS画像の遮音実験を行い, 提案手法は画像品質と細部損失を最小限に抑えながら, SSS画像のノイズを効果的に低減できることを示した。

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)
A Self-Supervised Denoising Strategy for Underwater Acoustic Camera Imageries [3.0918473503782042]
本稿では,深層学習技術を用いた音響カメラ画像の復調手法を提案する。微細な特徴を保存しながらノイズを除去し、局所的な特徴マッチングの性能を向上させる。
論文参考訳（メタデータ） (2024-06-05T04:07:37Z)
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)
Enhancing convolutional neural network generalizability via low-rank weight approximation [6.763245393373041]
十分なノイズ処理は、画像処理にとって重要な第一歩であることが多い。ディープニューラルネットワーク(DNN)は画像のノイズ化に広く利用されている。本研究では,タッカー低ランクテンソル近似に基づく自己教師付き画像復調フレームワークを提案する。
論文参考訳（メタデータ） (2022-09-26T14:11:05Z)
Robust Deep Ensemble Method for Real-world Image Denoising [62.099271330458066]
そこで本研究では,実世界の画像認識のための単純なベイズディープアンサンブル(BDE)手法を提案する。我々のBDEは、最先端の復調法よりも+0.28dBPSNRのゲインを達成している。我々のBDEは他の画像復元タスクにも拡張でき、ベンチマークデータセット上で+0.30dB、+0.18dB、+0.12dB PSNRゲインを達成することができる。
論文参考訳（メタデータ） (2022-06-08T06:19:30Z)
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)
Geodesic Gramian Denoising Applied to the Images Contaminated With Noise Sampled From Diverse Probability Distributions [0.2578242050187029]
選択した画像から5つの顕著な確率分布からサンプリングされた雑音を除去する文法に基づくフィルタリング手法ピクセルではなく、画像から分割されたパッチを採用することで、画像の滑らかさを保ちます。 3つのベンチマークコンピュータビジョンテスト画像を2つの最先端の復調法に適用し,その復調性能を検証した。
論文参考訳（メタデータ） (2022-03-04T22:48:12Z)
Improving Blind Spot Denoising for Microscopy [73.94017852757413]
自己監督型認知の質を向上させる新しい方法を提案する。我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
論文参考訳（メタデータ） (2020-08-19T13:06:24Z)
Deep Bilateral Retinex for Low-Light Image Enhancement [96.15991198417552]
低照度画像は、低コントラスト、色歪み、測定ノイズによる視界の低下に悩まされる。本稿では,低照度画像強調のための深層学習手法を提案する。提案手法は最先端の手法と非常に競合し, 極めて低照度で撮影した画像の処理において, 他に比べて大きな優位性を有する。
論文参考訳（メタデータ） (2020-07-04T06:26:44Z)
Deep Learning on Image Denoising: An overview [92.07378559622889]
画像認知におけるディープテクニックの比較研究を行っている。まず、付加的な白色雑音画像に対して、深部畳み込みニューラルネットワーク(CNN)を分類する。次に、定量的および定性的な分析の観点から、パブリック・デノゲーション・データセットの最先端の手法を比較した。
論文参考訳（メタデータ） (2019-12-31T05:03:57Z)
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。