論文の概要: SAGAN: Adversarial Spatial-asymmetric Attention for Noisy Nona-Bayer
Reconstruction
- arxiv url: http://arxiv.org/abs/2110.08619v2
- Date: Tue, 19 Oct 2021 03:29:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-21 10:58:52.398408
- Title: SAGAN: Adversarial Spatial-asymmetric Attention for Noisy Nona-Bayer
Reconstruction
- Title(参考訳): ノイズNona-Bayer再建に対する逆向き空間非対称注意法
- Authors: S M A Sharif, Rizwan Ali Naqvi, Mithun Biswas
- Abstract要約: Nona-Bayer Color Filter Array (CFA) パターンは、伝統的なベイアパターンの最も有効な代替品の1つである。
このような非Bayer CFAパターンは、大きな利点があるにもかかわらず、ノイズの多いセンサデータからRGBイメージを再構成しながら視覚的アーチファクトを生成することができる。
本研究では,ノイズの多いNona-Bayer CFAからRGB画像再構成を総合的に学習する上での課題について論じる。
- 参考スコア(独自算出の注目度): 1.0850101961203746
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nona-Bayer colour filter array (CFA) pattern is considered one of the most
viable alternatives to traditional Bayer patterns. Despite the substantial
advantages, such non-Bayer CFA patterns are susceptible to produce visual
artefacts while reconstructing RGB images from noisy sensor data. This study
addresses the challenges of learning RGB image reconstruction from noisy
Nona-Bayer CFA comprehensively. We propose a novel spatial-asymmetric attention
module to jointly learn bi-direction transformation and large-kernel global
attention to reduce the visual artefacts. We combine our proposed module with
adversarial learning to produce plausible images from Nona-Bayer CFA. The
feasibility of the proposed method has been verified and compared with the
state-of-the-art image reconstruction method. The experiments reveal that the
proposed method can reconstruct RGB images from noisy Nona-Bayer CFA without
producing any visually disturbing artefacts. Also, it can outperform the
state-of-the-art image reconstruction method in both qualitative and
quantitative comparison. Code available:
https://github.com/sharif-apu/SAGAN_BMVC21.
- Abstract(参考訳): Nona-Bayer Color Filter Array (CFA) パターンは、伝統的なベイアパターンの最も有効な代替品の1つである。
このような非Bayer CFAパターンは、大きな利点にもかかわらず、ノイズの多いセンサデータからRGBイメージを再構成しながら視覚的アーチファクトを生成することができる。
本研究では,ノイズの多いnona-bayer cfaからrgb画像再構成の課題を包括的に解決する。
両方向変換と大カーネルグローバルアテンションを共同で学習し,視覚的アーチファクトを減らすための空間非対称アテンションモジュールを提案する。
提案モジュールと逆学習を組み合わせることで,Nona-Bayer CFAから可視画像を生成する。
提案手法の有効性を検証し,最新の画像再構成法と比較した。
実験の結果,提案手法はノイズの多いNona-Bayer CFAからRGB画像を再構成できることがわかった。
また, 質的, 定量的に比較すれば, 最先端画像再構成法を上回ることができる。
コード:https://github.com/sharif-apu/SAGAN_BMVC21。
関連論文リスト
- Reconstruct-and-Generate Diffusion Model for Detail-Preserving Image
Denoising [16.43285056788183]
再構成・生成拡散モデル(Reconstruct-and-Generate Diffusion Model, RnG)と呼ばれる新しい手法を提案する。
提案手法は, 再構成型復調ネットワークを利用して, 基礎となるクリーン信号の大半を復元する。
拡散アルゴリズムを用いて残留する高周波の詳細を生成し、視覚的品質を向上させる。
論文 参考訳(メタデータ) (2023-09-19T16:01:20Z) - Deep Unfolding for Iterative Stripe Noise Removal [4.756256077972335]
赤外線イメージングシステムの不均一光電応答は、赤外線画像に重畳される固定パターンストライプノイズをもたらす。
既存の画像デストリップ手法は、すべてのストリップノイズアーティファクトを同時に除去し、画像の詳細と構造を保存し、リアルタイムのパフォーマンスのバランスをとるのに苦労する。
本稿では, 劣化画像の除去アルゴリズムを提案する。これは, 近傍のカラム信号相関を利用して, 独立したカラムストライプノイズを除去する。
論文 参考訳(メタデータ) (2022-09-27T02:53:03Z) - 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) - LTT-GAN: Looking Through Turbulence by Inverting GANs [86.25869403782957]
本稿では,よく訓練されたGANによってカプセル化された視覚的事前情報を利用した最初の乱流緩和手法を提案する。
視覚的先行性に基づき、周期的な文脈距離で復元された画像の同一性を維持することを学ぶことを提案する。
本手法は, 回復した結果の視覚的品質と顔認証精度の両方において, 先行技術よりも優れていた。
論文 参考訳(メタデータ) (2021-12-04T16:42:13Z) - Unsupervised PET Reconstruction from a Bayesian Perspective [12.512270202705404]
DeepREDはDIPと正規化を組み合わせた典型的な表現である(RED)
本稿では,ベイズ的な視点からDeepREDを活用して,教師付き情報や補助情報のない単一劣化したシングラムからPET画像の再構成を行う。
論文 参考訳(メタデータ) (2021-10-29T06:32:21Z) - Semantic-embedded Unsupervised Spectral Reconstruction from Single RGB
Images in the Wild [48.44194221801609]
この課題に対処するため、我々は、新しい軽量でエンドツーエンドの学習ベースのフレームワークを提案する。
我々は、効率的なカメラスペクトル応答関数推定により、検索されたHS画像から入力されたRGB画像と再投影されたRGB画像の差を徐々に広げる。
提案手法は最先端の教師なし手法よりも優れており,いくつかの設定下では最新の教師付き手法よりも優れている。
論文 参考訳(メタデータ) (2021-08-15T05:19:44Z) - Ensembling with Deep Generative Views [72.70801582346344]
生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。
そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。
StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
論文 参考訳(メタデータ) (2021-04-29T17:58:35Z) - Beyond Joint Demosaicking and Denoising: An Image Processing Pipeline
for a Pixel-bin Image Sensor [0.883717274344425]
Pixel binningは、スマートフォンカメラのハードウェア制限に対処する最も顕著なソリューションの1つだと考えられている。
本稿では,新しい学習手法を導入することで,このような画像センサ上でのJDD(Joint Desaicing and Denoising)の課題に対処する。
提案手法は,視覚可能な画像を生成するための2つの新しい知覚損失を含む多項目的関数によって導かれる。
論文 参考訳(メタデータ) (2021-04-19T15:41:28Z) - Creating Artificial Modalities to Solve RGB Liveness [79.9255035557979]
我々は,スプーフ検出のためのエンドツーエンドパイプラインと組み合わせて,ランクプーリングと光流の2種類の人工変換を導入する。
提案手法は, 最大のクロスセクニティ対面アンチスプーフィングデータセットCASIA-SURF CeFA (RGB) の最先端化を実現する。
論文 参考訳(メタデータ) (2020-06-29T13:19:22Z) - Reconstructing the Noise Manifold for Image Denoising [56.562855317536396]
本稿では,画像ノイズ空間の構造を明示的に活用するcGANを提案する。
画像ノイズの低次元多様体を直接学習することにより、この多様体にまたがる情報のみをノイズ画像から除去する。
我々の実験に基づいて、我々のモデルは既存の最先端アーキテクチャを大幅に上回っている。
論文 参考訳(メタデータ) (2020-02-11T00:31:31Z)
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。