論文の概要: Image Denoising with Control over Deep Network Hallucination

• arxiv url: http://arxiv.org/abs/2201.00429v1
• Date: Sun, 2 Jan 2022 23:08:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-04 20:15:33.805208
• Title: Image Denoising with Control over Deep Network Hallucination
• Title（参考訳）: ディープネットワーク幻覚の制御による画像の弁別
• Authors: Qiyuan Liang, Florian Cassayre, Haley Owsianko, Majed El Helou, Sabine S\"usstrunk
• Abstract要約: 制御可能な信頼に基づく画像認識(CCID)と呼ぶ。 本フレームワークでは,信頼度の高いフィルタを伴う画像とともに,ディープ・デノナイジング・ネットワークの出力を利用する。 その結果、CCIDはより解釈可能性と制御を提供するだけでなく、ディープ・デノイザの量的性能と信頼性のあるフィルタの量的性能よりも優れることがわかった。
• 参考スコア（独自算出の注目度）: 9.78752944190167
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep image denoisers achieve state-of-the-art results but with a hidden cost. As witnessed in recent literature, these deep networks are capable of overfitting their training distributions, causing inaccurate hallucinations to be added to the output and generalizing poorly to varying data. For better control and interpretability over a deep denoiser, we propose a novel framework exploiting a denoising network. We call it controllable confidence-based image denoising (CCID). In this framework, we exploit the outputs of a deep denoising network alongside an image convolved with a reliable filter. Such a filter can be a simple convolution kernel which does not risk adding hallucinated information. We propose to fuse the two components with a frequency-domain approach that takes into account the reliability of the deep network outputs. With our framework, the user can control the fusion of the two components in the frequency domain. We also provide a user-friendly map estimating spatially the confidence in the output that potentially contains network hallucination. Results show that our CCID not only provides more interpretability and control, but can even outperform both the quantitative performance of the deep denoiser and that of the reliable filter, especially when the test data diverge from the training data.
• Abstract（参考訳）: Deep Image Denoiserは最先端の結果を得るが、隠れたコストで達成する。 最近の文献で見られるように、これらのディープネットワークはトレーニング分布を過度に満たし、不正確な幻覚を出力に追加し、さまざまなデータにあまり一般化しない。 深いデノイザー上での制御と解釈性を改善するために,デノイジングネットワークを利用する新しいフレームワークを提案する。 制御可能な信頼に基づく画像認知(CCID)と呼ぶ。 このフレームワークでは,信頼度の高いフィルタを畳み込んだ画像と並行して,ディープデノージングネットワークの出力を利用する。 このようなフィルタは、幻覚情報を追加するリスクのない単純な畳み込みカーネルである。 本稿では,深層ネットワーク出力の信頼性を考慮した周波数領域アプローチで2つのコンポーネントを融合することを提案する。 我々のフレームワークでは、周波数領域内の2つのコンポーネントの融合を制御することができる。 また,ネットワーク幻覚を含む可能性のある出力の空間的信頼度を推定するユーザフレンドリーなマップも提供する。 その結果、CCIDは、より解釈可能性と制御を提供するだけでなく、特にテストデータがトレーニングデータから分岐した場合、ディープデノイザの量的性能と信頼性フィルタの量的性能を上回ります。

関連論文リスト

• A cross Transformer for image denoising [83.68175077524111]
  直列ブロック(SB)、並列ブロック(PB)、残留ブロック(RB)を備えたクロストランスフォーマー(CTNet)を提案する。 CTNetは、実画像や合成画像のデノナイジングにおいて、一般的なデノナイジング法よりも優れている。
  論文  参考訳（メタデータ） (2023-10-16T13:53:19Z)
• Self-supervised Image Denoising with Downsampled Invariance Loss and Conditional Blind-Spot Network [12.478287906337194]
  ほとんどの代表的自己監督型デノイザーは盲点ネットワークに基づいている。 標準的な盲点ネットワークは、ノイズの画素ワイド相関により、実際のカメラノイズを低減できない。 実雑音を除去できる新しい自己教師型トレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-19T08:55:27Z)
• Spatially Adaptive Self-Supervised Learning for Real-World Image Denoising [73.71324390085714]
  本稿では,現実の sRGB 画像復号化の問題を解決するために,新しい視点を提案する。 ノイズの多い画像における平坦領域とテクスチャ領域のそれぞれの特徴を考慮し、それらを個別に管理する。 LAN自体がBNNの出力で管理されているのに対して,我々はその要件を満たすためのローカル・アウェア・ネットワーク(LAN)を提案する。
  論文  参考訳（メタデータ） (2023-03-27T06:18:20Z)
• N2V2 -- Fixing Noise2Void Checkerboard Artifacts with Modified Sampling Strategies and a Tweaked Network Architecture [66.03918859810022]
  我々は,バニラN2V装置に2つの改良を加えて,不要なアーティファクトを大幅に削減する。 我々は、顕微鏡および自然画像データに基づいて、その修正を検証した。
  論文  参考訳（メタデータ） (2022-11-15T21:12:09Z)
• 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)
• Blind2Unblind: Self-Supervised Image Denoising with Visible Blind Spots [7.213855322671063]
  自己監督型復調法、特に盲点駆動型は、入力やネットワーク設計において大きな情報損失を被る。 Blind2Unblind は,盲点駆動型 denoising 手法における情報損失を克服するために提案される。
  論文  参考訳（メタデータ） (2022-03-14T10:07:42Z)
• Disentangling Noise from Images: A Flow-Based Image Denoising Neural Network [25.008542061247383]
  本稿では,イメージデノベーションを分散学習と切り離しタスクとして扱うための新しい視点を提案する。 ノイズ画像分布は、クリーン画像とノイズの結合分布と見なすことができるので、潜在表現をクリーン表現に操作することにより、消音画像を得ることができる。 我々は、クリーンまたはノイズ分布のいずれかの仮定なしに、反転型消音ネットワーク、FDNを提示します。
  論文  参考訳（メタデータ） (2021-05-11T01:52:26Z)
• JBFnet -- Low Dose CT Denoising by Trainable Joint Bilateral Filtering [7.909848251752742]
  我々は低用量CT用ニューラルネットワークであるJBFnetを紹介する。 JBFnetのアーキテクチャは反復的な二元フィルタリングを実装している。 JBFnetを10人の患者の体スキャンデータでトレーニングし、AAPM低用量CT Grand Challengeデータセットでテストする。
  論文  参考訳（メタデータ） (2020-07-09T12:59:28Z)
• Designing and Training of A Dual CNN for Image Denoising [117.54244339673316]
  クリーンなイメージを復元するためのDual denoising Network(DudeNet)を提案する。 DudeNetは4つのモジュールで構成されている。機能抽出ブロック、拡張ブロック、圧縮ブロック、再構築ブロックである。
  論文  参考訳（メタデータ） (2020-07-08T08:16:24Z)
• 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)
• ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising [52.01041506447195]
  ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。 実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-04T08:36:27Z)

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。