論文の概要: Image denoising by Super Neurons: Why go deep?
- arxiv url: http://arxiv.org/abs/2111.14948v1
- Date: Mon, 29 Nov 2021 20:52:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-01 13:52:54.252895
- Title: Image denoising by Super Neurons: Why go deep?
- Title（参考訳）: 超ニューロンによるイメージデノイング:なぜ深みがあるのか?
- Authors: Junaid Malik, Serkan Kiranyaz, Moncef Gabbouj
- Abstract要約: 合成画像と実世界画像の両方におけるスーパーニューロンの利用について検討する。
以上の結果から,同じ幅と深さで,超ニューロンを持つSelf-ONNsはデノナイジング性能を著しく向上させることが明らかとなった。
- 参考スコア（独自算出の注目度）: 31.087153520130112
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Classical image denoising methods utilize the non-local self-similarity
principle to effectively recover image content from noisy images. Current
state-of-the-art methods use deep convolutional neural networks (CNNs) to
effectively learn the mapping from noisy to clean images. Deep denoising CNNs
manifest a high learning capacity and integrate non-local information owing to
the large receptive field yielded by numerous cascade of hidden layers.
However, deep networks are also computationally complex and require large data
for training. To address these issues, this study draws the focus on the
Self-organized Operational Neural Networks (Self-ONNs) empowered by a novel
neuron model that can achieve a similar or better denoising performance with a
compact and shallow model. Recently, the concept of super-neurons has been
introduced which augment the non-linear transformations of generative neurons
by utilizing non-localized kernel locations for an enhanced receptive field
size. This is the key accomplishment which renders the need for a deep network
configuration. As the integration of non-local information is known to benefit
denoising, in this work we investigate the use of super neurons for both
synthetic and real-world image denoising. We also discuss the practical issues
in implementing the super neuron model on GPUs and propose a trade-off between
the heterogeneity of non-localized operations and computational complexity. Our
results demonstrate that with the same width and depth, Self-ONNs with super
neurons provide a significant boost of denoising performance over the networks
with generative and convolutional neurons for both denoising tasks. Moreover,
results demonstrate that Self-ONNs with super neurons can achieve a competitive
and superior synthetic denoising performances than well-known deep CNN
denoisers for synthetic and real-world denoising, respectively.
- Abstract（参考訳）: 古典的な画像分類法は非局所的自己相似原理を用いてノイズ画像から画像コンテンツを効果的に復元する。
現在の最先端手法では、深層畳み込みニューラルネットワーク(cnns)を使用してノイズからクリーン画像へのマッピングを効果的に学習している。
ディープデノイジングcnnは高い学習能力を示し、多数の隠れた層によって生じる大きな受容領域のために非局所的な情報を統合する。
しかし、ディープネットワークは計算も複雑で、トレーニングには大きなデータを必要とする。
これらの課題に対処するため,本研究では,コンパクトで浅いモデルで類似あるいはより優れた復調性能を達成可能な,新しいニューロンモデルによって強化された自己組織型オペレーショナルニューラルネットワーク(Self-ONN)に注目した。
近年、非局在化カーネル位置を利用して生成ニューロンの非線形変換を増強し、受容野のサイズを拡大する超ニューロンの概念が導入されている。
これが、ディープネットワーク構成の必要性を浮き彫りにする重要な成果です。
本研究は,非局所的情報の統合がデノイジングに役立つことが知られているため,人工的および実世界の画像デノイジングにおけるスーパーニューロンの利用について検討する。
また,gpu上でスーパーニューロンモデルを実装する際の実際的な課題を議論し,非局所演算の多様性と計算複雑性とのトレードオフを提案する。
以上の結果から,超ニューロンを用いた自己ONNは,生成ニューロンと畳み込みニューロンを両タスクに用いたネットワーク上でのデノナイジング性能を著しく向上させることが示唆された。
さらに, スーパーニューロンを用いた自己ONNは, 合成および実世界のデノナイザーとしてよく知られたディープCNNデノナイザーよりも, 競争力と優れたデノナイジング性能が得られることを示した。
関連論文リスト
- Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。
我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。
本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
論文 参考訳（メタデータ） (2024-03-18T18:01:01Z) - A Hybrid Neural Coding Approach for Pattern Recognition with Spiking
Neural Networks [53.31941519245432]
脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。
これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。
本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
論文 参考訳（メタデータ） (2023-05-26T02:52:12Z) - Neural information coding for efficient spike-based image denoising [0.5156484100374058]
本研究では,ガウス聴覚のためのスパイキングニューラルネットワーク(SNN)について検討する。
本稿では,Leaky Integrate and Fire(LIF)ニューロンによる情報変換処理の形式的解析を提案する。
我々は、その性能を古典的なレートコーディング機構と比較する。
その結果, LIFニューロンを用いたSNNは, 計算コストを抑えつつ, 競争性能を向上できることがわかった。
論文 参考訳（メタデータ） (2023-05-15T09:05:32Z) - Multi-stage image denoising with the wavelet transform [125.2251438120701]
深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。
動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
論文 参考訳（メタデータ） (2022-09-26T03:28:23Z) - Dense-Sparse Deep Convolutional Neural Networks Training for Image Denoising [0.6215404942415159]
畳み込みニューラルネットワークのような深層学習手法は、画像認知の領域で注目されている。
ディープラーニング畳み込み畳み込みニューラルネットワークは、バッチ正規化と残留学習の正規化メソッドを追加して、多くのフィードフォワード畳み込み層を使用して、トレーニングを高速化し、denoisingパフォーマンスを大幅に改善する。
本稿では,高密度スパース・デンス・ネットワークのトレーニング手法を深層化畳み込みニューラルネットワークに適用することにより,学習可能なパラメータを著しく削減できることを示す。
論文 参考訳（メタデータ） (2021-07-10T15:14:19Z) - Convolutional versus Self-Organized Operational Neural Networks for
Real-World Blind Image Denoising [25.31981236136533]
初めてDeep Self-ONNを採用することで、現実世界の盲目の画像消音問題に取り組みます。
ディープセルフオンはPSNRで最大1.76dBの性能向上で常に優れた結果を達成します。
論文 参考訳（メタデータ） (2021-03-04T14:49:17Z) - Information contraction in noisy binary neural networks and its
implications [11.742803725197506]
我々は、各ニューロンが不正な出力を発生させる確率がゼロでない、ノイズの多いバイナリニューラルネットワークを考察する。
私たちの重要な発見は、ノイズの多いニューラルネットワークで必要なニューロンの数が少ないことです。
本稿では,情報理論のレンズを通して,ノイズの多い情報処理システムに対する新たな理解を提供する。
論文 参考訳（メタデータ） (2021-01-28T00:01:45Z) - Operational vs Convolutional Neural Networks for Image Denoising [25.838282412957675]
畳み込みニューラルネットワーク(CNN)は近年,適応学習能力により画像デノナイズ技術として好まれている。
データ変換のコアに新たな非線形性を埋め込むための柔軟性を向上するヘテロジニアスネットワークモデルを提案する。
ONNとCNNの比較評価は、線形演算子に富んだONNが等価かつよく知られた深層構成のCNNに対して優れたノイズ発生性能を達成できるという決定的な証拠が得られる。
論文 参考訳（メタデータ） (2020-09-01T12:15:28Z) - Neural Sparse Representation for Image Restoration [116.72107034624344]
スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。
本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。
実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
論文 参考訳（メタデータ） (2020-06-08T05:15:17Z) - 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。
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。