論文の概要: A comparison study of CNN denoisers on PRNU extraction
- arxiv url: http://arxiv.org/abs/2112.02858v1
- Date: Mon, 6 Dec 2021 08:28:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-08 03:09:46.238523
- Title: A comparison study of CNN denoisers on PRNU extraction
- Title(参考訳): PRNU抽出におけるCNN denoisersの比較研究
- Authors: Hui Zeng, Morteza Darvish Morshedi Hosseini, Kang Deng, Anjie Peng,
Miroslav Goljan
- Abstract要約: 我々は,コナールニューラルネットワーク(CNN)を用いたPRNU抽出の最新の成果を生かしている。
本稿では,一般の「ドレスデン画像データベース」上で,これらのCNNによるSCI性能の比較評価を行った。
- 参考スコア(独自算出の注目度): 10.517110532297021
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Performance of the sensor-based camera identification (SCI) method heavily
relies on the denoising filter in estimating Photo-Response Non-Uniformity
(PRNU). Given various attempts on enhancing the quality of the extracted PRNU,
it still suffers from unsatisfactory performance in low-resolution images and
high computational demand. Leveraging the similarity of PRNU estimation and
image denoising, we take advantage of the latest achievements of Convolutional
Neural Network (CNN)-based denoisers for PRNU extraction. In this paper, a
comparative evaluation of such CNN denoisers on SCI performance is carried out
on the public "Dresden Image Database". Our findings are two-fold. From one
aspect, both the PRNU extraction and image denoising separate noise from the
image content. Hence, SCI can benefit from the recent CNN denoisers if
carefully trained. From another aspect, the goals and the scenarios of PRNU
extraction and image denoising are different since one optimizes the quality of
noise and the other optimizes the image quality. A carefully tailored training
is needed when CNN denoisers are used for PRNU estimation. Alternative
strategies of training data preparation and loss function design are analyzed
theoretically and evaluated experimentally. We point out that feeding the CNNs
with image-PRNU pairs and training them with correlation-based loss function
result in the best PRNU estimation performance. To facilitate further studies
of SCI, we also propose a minimum-loss camera fingerprint quantization scheme
using which we save the fingerprints as image files in PNG format. Furthermore,
we make the quantized fingerprints of the cameras from the "Dresden Image
Database" publicly available.
- Abstract(参考訳): センサベースカメラ識別(SCI)法の性能は,光応答非均一性(PRNU)の推定におけるデノナイジングフィルタに大きく依存している。
抽出したPRNUの品質向上のための様々な試みを考えると、低解像度画像における不満足な性能と高い計算要求に悩まされている。
PRNU推定と画像復調の類似性を生かして,畳み込みニューラルネットワーク(CNN)を用いたPRNU抽出の最新の成果を活用する。
本稿では,一般の「ドレスデン画像データベース」上で,これらのCNNによるSCI性能の比較評価を行った。
私たちの発見は2倍です。
1つの側面から、PRNU抽出と画像復調の両方で、画像内容からノイズを分離する。
したがって、SCIは慎重に訓練すれば、最近のCNNのデノイザーの恩恵を受けることができる。
別の側面では、ノイズの品質を最適化し、一方が画質を最適化するため、PRNU抽出と画像デノイングの目標とシナリオが異なる。
PRNU推定にCNN denoiserを使用する場合には、慎重に調整されたトレーニングが必要である。
学習データ作成と損失関数設計の代替戦略を理論的に分析し,実験的に評価した。
我々は,CNNをイメージ-PRNUペアで供給し,相関に基づく損失関数でトレーニングすることで,PRNU推定性能が最高のことを指摘した。
SCIのさらなる研究を容易にするために,PNG形式で指紋を画像ファイルとして保存する最小損失カメラ指紋量子化方式を提案する。
さらに,"Dresden Image Database"から,カメラの定量化指紋を公開する。
関連論文リスト
- 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) - 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) - Considering Image Information and Self-similarity: A Compositional
Denoising Network [0.0]
本稿では,画像情報経路 (IIP) と雑音推定経路 (NEP) の2つの問題を解く構成記述ネットワーク (CDN) を提案する。
実験により、CDNは合成および実世界の画像の復調において最先端の結果を達成することが示された。
論文 参考訳(メタデータ) (2022-09-14T05:05:08Z) - Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。
事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。
識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
論文 参考訳(メタデータ) (2022-07-19T14:35:42Z) - 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) - Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。
トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。
AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
論文 参考訳(メタデータ) (2022-03-24T18:11:31Z) - Deep neural networks-based denoising models for CT imaging and their
efficacy [0.3058685580689604]
我々は,低用量CT画像の総合的な視点から,Deep Neural Networks (DNN) の結果の画質を検討することを目的とする。
我々は、DnCNN、U-Net、Red-Net、GANなどの先進的なDNN記述アーキテクチャのライブラリを構築します。
各ネットワークは、PSNRとSSIMの点で最高のパフォーマンスが得られるように、トレーニングされただけでなくモデル化されている。
論文 参考訳(メタデータ) (2021-11-18T06:18:26Z) - Adaptive Denoising via GainTuning [17.72738152112575]
画像復調のためのディープ畳み込みニューラルネットワーク(CNN)は通常、大規模なデータセットでトレーニングされる。
本稿では,大規模データセット上で事前学習したCNNモデルを,個々のテスト画像に対して適応的かつ選択的に調整する「GainTuning」を提案する。
GainTuningは、標準的な画像デノゲティングベンチマークで最先端のCNNを改善し、ホールドアウトテストセットのほぼすべての画像上でのデノゲティング性能を向上させる。
論文 参考訳(メタデータ) (2021-07-27T13:35:48Z) - 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) - Fully Unsupervised Diversity Denoising with Convolutional Variational
Autoencoders [81.30960319178725]
完全畳み込み変分オートエンコーダ(VAE)に基づく復調手法であるDivNoisingを提案する。
まず, 撮像ノイズモデルをデコーダに明示的に組み込むことにより, 教師なしの雑音発生問題をVAEフレームワーク内に定式化する手法を提案する。
このようなノイズモデルは、ノイズの多いデータから測定したり、ブートストラップしたり、トレーニング中に共同学習したりすることが可能である。
論文 参考訳(メタデータ) (2020-06-10T21:28:13Z) - CycleISP: Real Image Restoration via Improved Data Synthesis [166.17296369600774]
本稿では,前向きと逆方向のカメラ画像パイプラインをモデル化するフレームワークを提案する。
リアルな合成データに基づいて新しい画像認識ネットワークをトレーニングすることにより、実際のカメラベンチマークデータセット上で最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2020-03-17T15:20:25Z)
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。