論文の概要: Unsupervised Image Denoising with Frequency Domain Knowledge

• arxiv url: http://arxiv.org/abs/2111.14362v1
• Date: Mon, 29 Nov 2021 07:41:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-30 18:07:45.902227
• Title: Unsupervised Image Denoising with Frequency Domain Knowledge
• Title（参考訳）: 周波数領域知識を用いた教師なし画像
• Authors: Nahyun Kim, Donggon Jang, Sunhyeok Lee, Bomi Kim, Dae-Shik Kim
• Abstract要約: 教師付き学習ベースの手法は頑健な復調結果をもたらすが、大規模データセットの必要性により本質的に制限されている。 本研究では,周波数に敏感な非教師付き復調法を提案する。 自然および合成データセットを用いた結果から, 周波数情報で拡張した教師なし学習手法が, 最先端の遮音性能を実現することが示唆された。
• 参考スコア（独自算出の注目度）: 2.834895018689047
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Supervised learning-based methods yield robust denoising results, yet they are inherently limited by the need for large-scale clean/noisy paired datasets. The use of unsupervised denoisers, on the other hand, necessitates a more detailed understanding of the underlying image statistics. In particular, it is well known that apparent differences between clean and noisy images are most prominent on high-frequency bands, justifying the use of low-pass filters as part of conventional image preprocessing steps. However, most learning-based denoising methods utilize only one-sided information from the spatial domain without considering frequency domain information. To address this limitation, in this study we propose a frequency-sensitive unsupervised denoising method. To this end, a generative adversarial network (GAN) is used as a base structure. Subsequently, we include spectral discriminator and frequency reconstruction loss to transfer frequency knowledge into the generator. Results using natural and synthetic datasets indicate that our unsupervised learning method augmented with frequency information achieves state-of-the-art denoising performance, suggesting that frequency domain information could be a viable factor in improving the overall performance of unsupervised learning-based methods.
• Abstract（参考訳）: 教師あり学習に基づく手法は頑健な分別結果をもたらすが、それらは本質的に、大規模なクリーン/ノイズペアデータセットの必要性によって制限される。 一方、教師なしのデノイザーの使用は、基礎となる画像の統計をより詳細に理解する必要がある。 特に,高周波数帯では,清浄画像と雑音画像の明らかな差が最も顕著であり,従来の画像前処理の一環として低域通過フィルタの使用を正当化することが知られている。 しかし,ほとんどの学習手法では,周波数領域情報を考慮せずに,空間領域からの片側情報のみを利用する。 この制限に対処するため,本研究では周波数に敏感な教師なし復調法を提案する。 この目的のために、ベース構造としてGAN(generative adversarial network)を用いる。 その後、スペクトル判別器と周波数再構成損失を含んで、周波数知識をジェネレータに転送する。 自然および合成データセットを用いた結果から, 周波数情報を付加した教師なし学習手法は, 最先端のデノナイジング性能を実現し, 教師なし学習手法の全体的な性能向上に有効な要因となる可能性が示唆された。

関連論文リスト

• Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
  拡散モデルを用いて雑音空間を介して領域適応を行うことが可能であることを示す。 特に,マルチステップの復調過程が補助的な条件入力の影響を受けるというユニークな特性を利用して,雑音予測から有意義な勾配を求める。 トレーニング中のショートカットを防止するため,チャンネルシャッフルや残余スワッピングのコントラスト学習などの有用な手法を提案する。
  論文  参考訳（メタデータ） (2024-06-26T17:40:30Z)
• 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)
• Self-supervised Denoising via Low-rank Tensor Approximated Convolutional Neural Network [2.2720758067273197]
  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)
• 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)
• Exploring Inter-frequency Guidance of Image for Lightweight Gaussian Denoising [1.52292571922932]
  本稿では,周波数帯域を低域から高域に漸進的に洗練するために,IGNetと呼ばれる新しいネットワークアーキテクチャを提案する。 この設計では、より周波数間先行と情報を利用するため、モデルサイズは軽量化でき、競争結果も維持できる。
  論文  参考訳（メタデータ） (2021-12-22T10:35:53Z)
• Image Denoising using Attention-Residual Convolutional Neural Networks [0.0]
  本稿では,学習に基づく新たな非盲検手法であるAttention Residual Convolutional Neural Network (ARCNN)を提案し,その拡張としてFlexible Attention Residual Convolutional Neural Network (FARCNN)を提案する。 ARCNNはガウス語とポアソン語で約0.44dBと0.96dBの平均PSNR結果を達成し、FARCNNはARCNNに比べて若干パフォーマンスが悪くても非常に一貫した結果を示した。
  論文  参考訳（メタデータ） (2021-01-19T16:37:57Z)
• 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)
• 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)
• Learning Model-Blind Temporal Denoisers without Ground Truths [46.778450578529814]
  合成データで訓練されたデノイザーは、未知のノイズの多様性に対処できないことが多い。 従来の画像ベース手法は、ビデオデノイザに直接適用した場合、ノイズが過度に収まる。 本稿では,これらの課題に対処する上で有効な,ビデオ・デノベーション・ネットワークの汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-07T07:19:48Z)

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。