論文の概要: Exploring Inter-frequency Guidance of Image for Lightweight Gaussian
Denoising
- arxiv url: http://arxiv.org/abs/2112.11779v1
- Date: Wed, 22 Dec 2021 10:35:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2021-12-23 16:04:45.250349
- Title: Exploring Inter-frequency Guidance of Image for Lightweight Gaussian
Denoising
- Title（参考訳）: 軽量ガウスデノジングのための画像の周波数間誘導探索
- Authors: Zhuang Jia
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.52292571922932
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image denoising is of vital importance in many imaging or computer vision
related areas. With the convolutional neural networks showing strong capability
in computer vision tasks, the performance of image denoising has also been
brought up by CNN based methods. Though CNN based image denoisers show
promising results on this task, most of the current CNN based methods try to
learn the mapping from noisy image to clean image directly, which lacks the
explicit exploration of prior knowledge of images and noises. Natural images
are observed to obey the reciprocal power law, implying the low-frequency band
of image tend to occupy most of the energy. Thus in the condition of AGWN
(additive gaussian white noise) deterioration, low-frequency band tend to
preserve a higher PSNR than high-frequency band. Considering the spatial
morphological consistency of different frequency bands, low-frequency band with
more fidelity can be used as a guidance to refine the more contaminated
high-frequency bands. Based on this thought, we proposed a novel network
architecture denoted as IGNet, in order to refine the frequency bands from low
to high in a progressive manner. Firstly, it decomposes the feature maps into
high- and low-frequency subbands using DWT (discrete wavelet transform)
iteratively, and then each low band features are used to refine the high band
features. Finally, the refined feature maps are processed by a decoder to
recover the clean result. With this design, more inter-frequency prior and
information are utilized, thus the model size can be lightened while still
perserves competitive results. Experiments on several public datasets show that
our model obtains competitive performance comparing with other state-of-the-art
methods yet with a lightweight structure.
- Abstract（参考訳）: 多くの画像やコンピュータビジョン関連領域において、画像の認知は極めて重要である。
コンピュータビジョンタスクにおいて強力な能力を示す畳み込みニューラルネットワークにより、画像の復調性能もCNNベースの手法によってもたらされた。
CNNベースのイメージデノイザは、このタスクで有望な結果を示すが、現在のCNNベースの手法のほとんどは、ノイズの多いイメージからクリーンなイメージへのマッピングを学習しようとしており、画像とノイズの事前の知識の明示的な探索を欠いている。
自然画像は相反力の法則に従うように観察され、画像の低周波帯域がエネルギーの大部分を占める傾向があることを示している。
したがって、AGWN (additive gaussian white noise) の劣化により、低周波帯域は高周波帯域よりも高いPSNRを維持する傾向にある。
異なる周波数帯域の空間的形態的整合性を考慮すると、より忠実な低周波帯域は、より汚染された高周波帯域を洗練するためのガイダンスとして用いられる。
この考え方に基づき,低帯域から高帯域までの周波数帯域を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。
まず、DWT(discrete wavelet transform)を用いて、特徴マップを高周波数サブバンドと低周波数サブバンドに分割し、各低帯域特徴を用いて高帯域特徴を洗練させる。
最後に、洗練された特徴マップをデコーダで処理してクリーンな結果を復元する。
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。
いくつかの公開データセットの実験により、我々のモデルは、まだ軽量な構造を持つ他の最先端の手法と比較して、競争性能を得ることを示した。
関連論文リスト
- Low-Light Enhancement in the Frequency Domain [24.195131201768096]
低照度画像には、可視性、高密度ノイズ、偏光色がよく見られる。
周波数領域で学習した新しい残差多重ウェーブレット畳み込みニューラルネットワークR2-MWCNNを提案する。
このエンドツーエンドのトレーニング可能なネットワークは、マルチレベル離散ウェーブレット変換を使用して入力特徴写像を異なる周波数に分割し、より優れたノイズの影響をもたらす。
論文 参考訳（メタデータ） (2023-06-29T08:39:34Z) - Degradation-Noise-Aware Deep Unfolding Transformer for Hyperspectral
Image Denoising [9.119226249676501]
ハイパースペクトル画像(HSI)は、帯域幅が狭いため、ノイズが多いことが多い。
HSIデータキューブのノイズを低減するため、モデル駆動型と学習型の両方の復調アルゴリズムが提案されている。
本稿では,これらの問題に対処するDNA-Net(Degradation-Noise-Aware Unfolding Network)を提案する。
論文 参考訳（メタデータ） (2023-05-06T13:28:20Z) - Hierarchical Disentangled Representation for Invertible Image Denoising
and Beyond [14.432771193620702]
画像の高周波部分にノイズが現れる傾向にあるという潜在観測に着想を得て,完全可逆復調法を提案する。
ノイズ画像は、可逆変換により、清浄な低周波およびハイブリッドな高周波部品に分解する。
このように、ノイズのない低周波部品と高周波部品とを逆にマージして、デノナイジングをトラクタブルにする。
論文 参考訳（メタデータ） (2023-01-31T01:24:34Z) - 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) - Frequency Disentangled Residual Network [11.388328269522006]
ResNet(Residual Networks)は様々なコンピュータビジョンや画像処理アプリケーションに利用されている。
残留ブロックは、トレーニング可能なパラメータを持つ少数の畳み込み層で構成され、過度に適合する。
これらの問題に対処するために、周波数不整合残差ネットワーク(FDResNet)を提案する。
論文 参考訳（メタデータ） (2021-09-26T10:52:18Z) - Wavelet-Based Network For High Dynamic Range Imaging [64.66969585951207]
光学フローベースやエンド・ツー・エンドのディープラーニングベースのソリューションのような既存の方法は、詳細な復元やゴーストを除去する際にエラーを起こしやすい。
本研究では、周波数領域でHDR融合を行うための新しい周波数誘導型エンド・ツー・エンドディープニューラルネットワーク(FNet)を提案し、ウェーブレット変換(DWT)を用いて入力を異なる周波数帯域に分解する。
低周波信号は特定のゴーストアーティファクトを避けるために使用され、高周波信号は詳細を保存するために使用される。
論文 参考訳（メタデータ） (2021-08-03T12:26:33Z) - WaveFill: A Wavelet-based Generation Network for Image Inpainting [57.012173791320855]
WaveFillはウェーブレットベースの塗装ネットワークで、画像を複数の周波数帯域に分解する。
WaveFillは、空間情報を自然に保存する離散ウェーブレット変換(DWT)を用いて画像を分解する。
低周波帯にL1再構成損失を、高周波帯に敵対損失を施し、それによって周波数間紛争を効果的に軽減する。
論文 参考訳（メタデータ） (2021-07-23T04:44:40Z) - 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) - Progressive Training of Multi-level Wavelet Residual Networks for Image
Denoising [80.10533234415237]
本稿では,マルチレベルウェーブレット残差ネットワーク(MWRN)アーキテクチャと,画像復調性能向上のためのプログレッシブトレーニング手法を提案する。
人工ノイズ画像と実世界のノイズ画像の両方で実験したところ、PT-MWRNは最先端のノイズ評価法に対して良好に機能することがわかった。
論文 参考訳（メタデータ） (2020-10-23T14:14:00Z) - Enhancement of a CNN-Based Denoiser Based on Spatial and Spectral
Analysis [23.11994688706024]
本稿では,複数のノイズで劣化した画像を1つのモデルで復元する離散ウェーブレットデノイズCNN(WDnCNN)を提案する。
この問題に対処するために、周波数スペクトルの異なる部分から係数を正規化するバンド正規化モジュール(BNM)を提案する。
提案したWDnCNNを評価し,他の最先端のデノイザと比較した。
論文 参考訳（メタデータ） (2020-06-28T05:25:50Z) - Wavelet Integrated CNNs for Noise-Robust Image Classification [51.18193090255933]
我々は、離散ウェーブレット変換(DWT)により、最大プール、ストライド畳み込み、平均プールを置き換えることでCNNを強化する。
VGG、ResNets、DenseNetのウェーブレット統合バージョンであるWaveCNetsは、バニラバージョンよりも精度が高く、ノイズ・ロバスト性も向上している。
論文 参考訳（メタデータ） (2020-05-07T09:10:41Z)
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。