Fugu-MT 論文翻訳(概要): Self-supervised denoising for massive noisy images

論文の概要: Self-supervised denoising for massive noisy images

arxiv url: http://arxiv.org/abs/2110.11911v2
Date: Mon, 25 Oct 2021 18:29:03 GMT
ステータス: 処理完了
システム内更新日: 2021-11-01 07:50:17.452905
Title: Self-supervised denoising for massive noisy images
Title（参考訳）: 巨大雑音画像に対する自己教師付きデノイジング
Authors: Feng Wang, Trond R. Henninen, Debora Keller, Rolf Erni
Abstract要約: 本稿では,信号の事前処理,ノイズモデル校正,クリーンサンプルの不要な効果的な深層学習モデルを提案する。我々は、サブアングストローム分解能原子画像からサブアーク秒分解能天文学画像まで、様々な実世界のアプリケーションでその性能を実証する。
参考スコア（独自算出の注目度）: 2.515728431313222
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose an effective deep learning model for signal reconstruction, which requires no signal prior, no noise model calibration, and no clean samples. This model only assumes that the noise is independent of the measurement and that the true signals share the same structured information. We demonstrate its performance on a variety of real-world applications, from sub-\r{A}ngstr\"{o}m resolution atomic images to sub-arcsecond resolution astronomy images.
Abstract（参考訳）: 本稿では,信号の事前処理やノイズモデル校正,クリーンサンプルの不要な,信号再構成のための効果的な深層学習モデルを提案する。このモデルは、ノイズが測定から独立であり、真の信号が同じ構造化情報を共有することを前提としている。我々は,その性能を,サブ-r{A}ngstr\"{o}m 分解能原子画像から,サブアルコ秒分解能天文学画像まで,様々な実世界のアプリケーションで実証する。

関連論文リスト

Unsupervised Denoising for Signal-Dependent and Row-Correlated Imaging Noise [54.0185721303932]
本稿では,行関連の画像ノイズを処理できる,教師なしのディープラーニングベースデノイザについて紹介する。提案手法では,特殊設計の自己回帰デコーダを備えた変分オートエンコーダを用いる。本手法では,事前学習した雑音モデルを必要としないため,雑音のないデータを用いてスクラッチから訓練することができる。
論文参考訳（メタデータ） (2023-10-11T20:48:20Z)
Towards General Low-Light Raw Noise Synthesis and Modeling [37.87312467017369]
生成モデルにより信号非依存ノイズを合成する新しい視点を導入する。具体的には、信号に依存しないノイズと信号に依存しないノイズを物理と学習に基づく方法で合成する。このようにして、本手法は一般的なモデルとみなすことができ、つまり、異なるISOレベルの異なるノイズ特性を同時に学習することができる。
論文参考訳（メタデータ） (2023-07-31T09:10:10Z)
Representing Noisy Image Without Denoising [91.73819173191076]
ラドン空間におけるフラクショナルオーダーモーメント(FMR)は、ノイズの多い画像から直接ロバストな表現を引き出すように設計されている。従来の整数順序法とは異なり、我々の研究は特別な場合のような古典的手法を取り入れたより汎用的な設計である。
論文参考訳（メタデータ） (2023-01-18T10:13:29Z)
C2N: Practical Generative Noise Modeling for Real-World Denoising [53.96391787869974]
両例を使わずに複雑な実世界の騒音を模倣するクリーン・ツー・ノイズ画像生成フレームワーク,すなわちC2Nを導入する。我々は,C2Nの騒音発生器を実世界の騒音特性の成分に応じて構築し,広い範囲の騒音を正確に表現する。
論文参考訳（メタデータ） (2022-02-19T05:53:46Z)
Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
論文参考訳（メタデータ） (2021-10-10T10:45:24Z)
Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
論文参考訳（メタデータ） (2021-01-08T02:03:25Z)
Unpaired Learning of Deep Image Denoising [80.34135728841382]
本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
論文参考訳（メタデータ） (2020-08-31T16:22:40Z)
Unsupervised Image Restoration Using Partially Linear Denoisers [2.3061446605472558]
本稿では, 非線形画像依存写像, 線形雑音依存項, 残差項の和として分解可能な構造付きデノイザのクラスを提案する。雑音が平均値と既知分散度をゼロとする条件下では,ノイズのみを学習できることを示す。本手法は, 学習にクリーンな画像を必要としない, 教師なし, 自己監督型ディープ・デノゲーション・モデルよりも優れている。
論文参考訳（メタデータ） (2020-08-14T02:13:19Z)
Ground Truth Free Denoising by Optimal Transport [2.5137859989323537]
任意の種類のデータに対して学習した教師なしの復調法を提案する。トレーニングはノイズデータのサンプルとノイズの例に基づいて行われる。この方法は Wasserstein Generative Adversarial Network の設定に依存している。
論文参考訳（メタデータ） (2020-07-03T09:39:25Z)
Noise2Inverse: Self-supervised deep convolutional denoising for tomography [0.0]
Noise2Inverseは、線形画像再構成アルゴリズムのためのディープCNNに基づくDenoising法である。そこで我々は,そのような学習がCNNを実際に獲得することを示す理論的枠組みを構築した。シミュレーションCTデータセットにおいて、Noss2Inverseはピーク信号対雑音比と構造類似度指数の改善を示す。
論文参考訳（メタデータ） (2020-01-31T12:50:24Z)

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。