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
- 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) - 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) - SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。
本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。
提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
論文 参考訳(メタデータ) (2022-06-09T14:00:26Z) - 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) - Universal and Flexible Optical Aberration Correction Using Deep-Prior
Based Deconvolution [51.274657266928315]
そこで本研究では,収差画像とpsfマップを入力とし,レンズ固有深層プリエントを組み込んだ潜在高品質版を生成する,psf対応プラグイン・アンド・プレイ深層ネットワークを提案する。
具体的には、多彩なレンズの集合からベースモデルを事前訓練し、パラメータを迅速に精製して特定のレンズに適応させる。
論文 参考訳(メタデータ) (2021-04-07T12:00:38Z) - 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) - Boosting Image Super-Resolution Via Fusion of Complementary Information
Captured by Multi-Modal Sensors [21.264746234523678]
イメージスーパーレゾリューション(sr)は、低解像度光センサの画質を向上させる有望な技術である。
本稿では,安価なチャネル(可視・深度)からの補完情報を活用して,少ないパラメータを用いて高価なチャネル(熱)の画像品質を向上させる。
論文 参考訳(メタデータ) (2020-12-07T02:15:28Z) - The Unreasonable Effectiveness of Encoder-Decoder Networks for Retinal
Vessel Segmentation [3.351714665243138]
網膜画像における血管のセグメンテーションのためのエンコーダデコーダフレームワークを提案する。
3つの基礎画像データセットの実験は、このアプローチが最先端の結果を達成することを実証している。
VLightと呼ばれるこのフレームワークは、特定のトレーニングイメージへの過度な適合を回避し、さまざまなデータセットをまたがって適切に一般化されていることを示す。
論文 参考訳(メタデータ) (2020-11-25T11:10:37Z) - 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。