論文の概要: IDR: Self-Supervised Image Denoising via Iterative Data Refinement
- arxiv url: http://arxiv.org/abs/2111.14358v1
- Date: Mon, 29 Nov 2021 07:22:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-30 17:02:55.258383
- Title: IDR: Self-Supervised Image Denoising via Iterative Data Refinement
- Title（参考訳）: IDR:イテレーティブデータリファインメントによる自己監視画像デノーミング
- Authors: Yi Zhang, Dasong Li, Ka Lung Law, Xiaogang Wang, Hongwei Qin,
Hongsheng Li
- Abstract要約: 本稿では,最先端のデノナイジング性能を実現するために,教師なしの実用的なデノナイジング手法を提案する。
本手法では, 1つのノイズ画像と1つのノイズモデルしか必要とせず, 実際の生画像に容易にアクセス可能である。
実世界のアプリケーションにおける生画像復調性能を評価するため,500シーンのシーンを含む高品質な生画像データセットSenseNoise-500を構築した。
- 参考スコア（独自算出の注目度）: 66.5510583957863
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The lack of large-scale noisy-clean image pairs restricts supervised
denoising methods' deployment in actual applications. While existing
unsupervised methods are able to learn image denoising without ground-truth
clean images, they either show poor performance or work under impractical
settings (e.g., paired noisy images). In this paper, we present a practical
unsupervised image denoising method to achieve state-of-the-art denoising
performance. Our method only requires single noisy images and a noise model,
which is easily accessible in practical raw image denoising. It performs two
steps iteratively: (1) Constructing a noisier-noisy dataset with random noise
from the noise model; (2) training a model on the noisier-noisy dataset and
using the trained model to refine noisy images to obtain the targets used in
the next round. We further approximate our full iterative method with a fast
algorithm for more efficient training while keeping its original high
performance. Experiments on real-world, synthetic, and correlated noise show
that our proposed unsupervised denoising approach has superior performances
over existing unsupervised methods and competitive performance with supervised
methods. In addition, we argue that existing denoising datasets are of low
quality and contain only a small number of scenes. To evaluate raw image
denoising performance in real-world applications, we build a high-quality raw
image dataset SenseNoise-500 that contains 500 real-life scenes. The dataset
can serve as a strong benchmark for better evaluating raw image denoising. Code
and dataset will be released at https://github.com/zhangyi-3/IDR
- Abstract（参考訳）: 大規模ノイズとクリーンなイメージペアの欠如は、実際のアプリケーションにおける教師付きdenoisingメソッドのデプロイメントを制限する。
既存の教師なしの手法では、地味なクリーンなイメージを使わずに画像の復調を学べるが、パフォーマンスが悪いか、非現実的な設定(例えばペアのノイズのある画像)で作業する。
本稿では,最先端のデノージング性能を実現するための実用的な非教師なし画像デノージング手法を提案する。
本手法では,単一のノイズ画像とノイズモデルのみが必要であり,実際の生画像から容易にアクセス可能である。
1)ノイズモデルからランダムノイズでノイズの多いデータセットを構築すること,(2)ノイズの多いデータセット上でモデルをトレーニングすること,およびトレーニングされたモデルを用いてノイズの多い画像を洗練し,次のラウンドで使用するターゲットを得る。
さらに,本手法を高速なアルゴリズムで近似し,元の高性能を保ちながら,より効率的なトレーニングを行う。
実世界, 合成, 相関雑音実験の結果, 提案手法は, 既存の非教師付き手法よりも優れた性能を示し, 教師付き手法との競合性能を示す。
さらに、既存の復調データセットは低品質であり、少数のシーンしか含まないと主張する。
実世界のアプリケーションにおける生画像のデノージング性能を評価するため,500シーンを含む高品質な生画像データセットsensenoise-500を構築した。
このデータセットは、生画像のノイズ評価を改善するための強力なベンチマークとして機能する。
コードとデータセットはhttps://github.com/zhangyi-3/idrでリリースされる。
関連論文リスト
- Self-Calibrated Variance-Stabilizing Transformations for Real-World Image Denoising [19.08732222562782]
教師付き深層学習が画像認知のための選択方法となっている。
一般の信条とは対照的に,ガウスノイズ除去に特化するネットワークを有効活用し,実世界の画像復調に有効であることを示す。
論文 参考訳（メタデータ） (2024-07-24T16:23:46Z) - Linear Combinations of Patches are Unreasonably Effective for Single-Image Denoising [5.893124686141782]
ディープニューラルネットワークは、画像のノイズ化に革命を起こし、大幅な精度向上を実現している。
画像先行を外部から学習する必要性を軽減するため、入力ノイズ画像の分析のみに基づいて、単画像方式で復調を行う。
本研究は, この制約下でのデノナイズのためのパッチの線形結合の有効性について検討する。
論文 参考訳（メタデータ） (2022-12-01T10:52:03Z) - 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) - Deep Variation Prior: Joint Image Denoising and Noise Variance
Estimation without Clean Data [2.3061446605472558]
本稿では,1つの共同学習フレームワークにおける画像復調と雑音分散推定の課題について検討する。
我々は、教師なしのディープラーニングフレームワークであるDVPを構築し、デノイザを同時に学習し、ノイズ分散を推定する。
提案手法では, クリーンなトレーニング画像やノイズ推定の外部ステップは必要とせず, ノイズ画像のみを用いて最小2乗誤差を近似する。
論文 参考訳（メタデータ） (2022-09-19T17:29:32Z) - 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) - Learning to Generate Realistic Noisy Images via Pixel-level Noise-aware
Adversarial Training [50.018580462619425]
我々は,PNGAN(Pixel-level Noise-aware Generative Adrial Network)という新しいフレームワークを提案する。
PNGANは、トレーニング済みのリアルデノイザーを使用して、フェイク画像とリアルノイズ画像をほぼノイズのないソリューション空間にマッピングする。
より優れたノイズフィッティングを実現するため,ジェネレータとしてSimple Multi-versa-scale Network (SMNet) を提案する。
論文 参考訳（メタデータ） (2022-04-06T14:09:02Z) - 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) - Adaptive noise imitation for image denoising [58.21456707617451]
本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。
現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。
ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
論文 参考訳（メタデータ） (2020-11-30T02:49:36Z) - 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) - Restore from Restored: Single Image Denoising with Pseudo Clean Image [28.38369890008251]
我々は「再保存型」と呼ばれるシンプルで効果的な微調整アルゴリズムを提案する。
提案手法は,最先端のデノナイジングネットワーク上で容易に利用することができる。
論文 参考訳（メタデータ） (2020-03-09T17:35:31Z)
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。