論文の概要: Robust photon-efficient imaging using a pixel-wise residual shrinkage network

• arxiv url: http://arxiv.org/abs/2201.01453v1
• Date: Wed, 5 Jan 2022 05:08:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-06 14:56:25.971846
• Title: Robust photon-efficient imaging using a pixel-wise residual shrinkage network
• Title（参考訳）: 画素単位残留収縮ネットワークを用いたロバスト光子効率イメージング
• Authors: Gongxin Yao, Yiwei Chen, Yong Liu, Xiaomin Hu and Yu Pan
• Abstract要約: 単光子光検出・測光(LiDAR)は、挑戦的なシナリオで3Dイメージングに広く応用されている。 収集されたデータの信号光子数と高雑音は 深度画像の正確な予測に 大きな課題をもたらしました 高雑音データからの光子効率イメージングのための画素ワイド残差縮小ネットワークを提案する。
• 参考スコア（独自算出の注目度）: 7.557893223548758
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Single-photon light detection and ranging (LiDAR) has been widely applied to 3D imaging in challenging scenarios. However, limited signal photon counts and high noises in the collected data have posed great challenges for predicting the depth image precisely. In this paper, we propose a pixel-wise residual shrinkage network for photon-efficient imaging from high-noise data, which adaptively generates the optimal thresholds for each pixel and denoises the intermediate features by soft thresholding. Besides, redefining the optimization target as pixel-wise classification provides a sharp advantage in producing confident and accurate depth estimation when compared with existing research. Comprehensive experiments conducted on both simulated and real-world datasets demonstrate that the proposed model outperforms the state-of-the-arts and maintains robust imaging performance under different signal-to-noise ratios including the extreme case of 1:100.
• Abstract（参考訳）: 単一光子光検出・測位(lidar)は困難なシナリオで3dイメージングに広く応用されている。 しかし、限られた信号光子数と収集データ中の高ノイズは、深度画像を正確に予測する上で大きな課題となっている。 本稿では,各画素の最適なしきい値を適応的に生成し,ソフトしきい値により中間特性を解消する高ノイズデータからの光子効率イメージングのための画素単位残差縮小ネットワークを提案する。 さらに、最適化対象を画素単位の分類として再定義することで、既存の研究と比較した場合、確実かつ正確な深度推定が可能である。 シミュレーションと実世界の両方のデータセットで実施された総合的な実験により、提案モデルは最先端技術より優れ、1:100の極端ケースを含む異なる信号対雑音比で堅牢な撮像性能を維持することが示された。

関連論文リスト

• bit2bit: 1-bit quanta video reconstruction via self-supervised photon prediction [57.199618102578576]
  疎二分量時間画像データから高画質の画像スタックを元の解像度で再構成する新しい方法であるbit2bitを提案する。 Poisson denoisingの最近の研究に触発されて、スパースバイナリ光子データから高密度な画像列を生成するアルゴリズムを開発した。 本研究では,様々な課題の画像条件下でのSPADの高速映像を多種多種に含む新しいデータセットを提案する。
  論文  参考訳（メタデータ） (2024-10-30T17:30:35Z)
• Super-resolving Real-world Image Illumination Enhancement: A New Dataset and A Conditional Diffusion Model [43.93772529301279]
  本稿では,効率的な条件拡散確率モデルに基づくSRRIIEデータセットを提案する。 画像はILDCカメラと光学ズームレンズで撮影し、露光レベルは6EVから0EV、ISOレベルは50～12800である。 既存の手法は, 複雑なノイズから復元した画像の構造やシャープさを保ちつつも, 有効性は低いことが示唆された。
  論文  参考訳（メタデータ） (2024-10-16T18:47:04Z)
• Sparse-DeRF: Deblurred Neural Radiance Fields from Sparse View [17.214047499850487]
  本稿では,より現実的なシナリオに対するスパースビューから,分解型ニューラルラジアンスフィールド(DeRF)を構築することに焦点を当てる。 Sparse-DeRFは複雑なジョイント最適化を正則化し、緩和されたオーバーフィッティングアーティファクトとラディアンスフィールドの品質を向上した。 2ビュー,4ビュー,6ビューのぼかし画像からDeRFをトレーニングすることにより,Sparse-DeRFの有効性を示す。
  論文  参考訳（メタデータ） (2024-07-09T07:36:54Z)
• Towards High-quality HDR Deghosting with Conditional Diffusion Models [88.83729417524823]
  高ダイナミックレンジ(LDR)画像は、既存のディープニューラルネットワーク(DNN)技術により、複数の低ダイナミックレンジ(LDR)画像から復元することができる。 DNNは、LDR画像が飽和度と大きな動きを持つ場合、ゴーストアーティファクトを生成する。 拡散モデルの条件としてLDR特徴を利用する画像生成としてHDRデゴースト問題を定式化する。
  論文  参考訳（メタデータ） (2023-11-02T01:53:55Z)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• Complex-valued Retrievals From Noisy Images Using Diffusion Models [26.467188665404727]
  顕微鏡では、センサーは実測値の強度のみを測定し、さらに、センサーの読み出しはポアソニアン分布光子ノイズの影響を受けます。 従来の復元アルゴリズムは、元の画像と復元された画像の間の平均2乗誤差(MSE)を最小限にすることを目的としている。 これはしばしば知覚品質の悪いぼやけた結果につながる。
  論文  参考訳（メタデータ） (2022-12-06T18:57:59Z)
• Ultra Low-Parameter Denoising: Trainable Bilateral Filter Layers in Computed Tomography [7.405782253585339]
  本研究は,両側フィルタリングの考え方に基づくオープンソースのCT復号化フレームワークを提案する。 本稿では、深層学習パイプラインに組み込むことができ、純粋にデータ駆動方式で最適化できる二元フィルタを提案する。 X線顕微鏡による骨データ(0.7053と33.10)と、SSIMとPSNRによる2016 Low Dose CT Grand Challengeデータセット(0.9674と43.07)のデノイング性能が達成されている。
  論文  参考訳（メタデータ） (2022-01-25T14:33:56Z)
• Deep Domain Adversarial Adaptation for Photon-efficient Imaging Based on Spatiotemporal Inception Network [11.58898808789911]
  単光子LiDARでは、光子効率の撮像がシーンの3D構造を1ピクセル当たりの信号でキャプチャする。 このタスクの既存のディープラーニングモデルは、シミュレーションデータセットに基づいてトレーニングされている。 本研究では,空間的・時間的情報を完全に活用して,スパース・ハイノイズ光子計数ヒストグラムから奥行きを正確に予測できる光子効率イメージングのためのネットワーク(STIN)を提案する。
  論文  参考訳（メタデータ） (2022-01-07T14:51:48Z)
• Designing a Practical Degradation Model for Deep Blind Image Super-Resolution [134.9023380383406]
  単一画像スーパーレゾリューション (sisr) 法は, 推定劣化モデルが実画像から逸脱した場合はうまく動作しない。 本稿では, ランダムにシャッフルされたブラー, ダウンサンプリング, ノイズ劣化からなる, より複雑で実用的な劣化モデルを提案する。
  論文  参考訳（メタデータ） (2021-03-25T17:40:53Z)
• Correlation Plenoptic Imaging between Arbitrary Planes [52.77024349608834]
  提案プロトコルは,処理後の集中面の変更を可能にし,画像解像度と被写界深度を前例のない組み合わせで実現可能であることを示す。 その結果、カオス光に基づく相関レンズ画像装置のコンパクト化や、絡み合った光子照明に基づく高SNRレンズ画像装置の開発への道が開かれた。
  論文  参考訳（メタデータ） (2020-07-23T14:26:14Z)
• Deep Bilateral Retinex for Low-Light Image Enhancement [96.15991198417552]
  低照度画像は、低コントラスト、色歪み、測定ノイズによる視界の低下に悩まされる。 本稿では,低照度画像強調のための深層学習手法を提案する。 提案手法は最先端の手法と非常に競合し, 極めて低照度で撮影した画像の処理において, 他に比べて大きな優位性を有する。
  論文  参考訳（メタデータ） (2020-07-04T06:26:44Z)

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。