論文の概要: Image quality measurements and denoising using Fourier Ring Correlations

• arxiv url: http://arxiv.org/abs/2201.03992v1
• Date: Tue, 11 Jan 2022 15:12:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-12 16:27:01.094386
• Title: Image quality measurements and denoising using Fourier Ring Correlations
• Title（参考訳）: フーリエリング相関を用いた画質測定とノイズ除去
• Authors: J. Kaczmar-Michalska, N.R. Hajizadeh, A.J. Rzepiela and S.F. N{\o}rrelykke
• Abstract要約: 電子および超解像顕微鏡では、フーリエリング相関 (FRC) がしばしば用いられるが、これらの分野以外ではほとんど知られていない。 FRCは、例えばGoogle Open Imagesデータセットなど、自然画像にも等しく適用可能であることを示す。 次に、FRCに基づいて損失関数を定義し、解析的に微分可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image quality is a nebulous concept with different meanings to different people. To quantify image quality a relative difference is typically calculated between a corrupted image and a ground truth image. But what metric should we use for measuring this difference? Ideally, the metric should perform well for both natural and scientific images. The structural similarity index (SSIM) is a good measure for how humans perceive image similarities, but is not sensitive to differences that are scientifically meaningful in microscopy. In electron and super-resolution microscopy, the Fourier Ring Correlation (FRC) is often used, but is little known outside of these fields. Here we show that the FRC can equally well be applied to natural images, e.g. the Google Open Images dataset. We then define a loss function based on the FRC, show that it is analytically differentiable, and use it to train a U-net for denoising of images. This FRC-based loss function allows the network to train faster and achieve similar or better results than when using L1- or L2- based losses. We also investigate the properties and limitations of neural network denoising with the FRC analysis.
• Abstract（参考訳）: 画像の品質は、異なる人々に対して異なる意味を持つ誤った概念です。 画像品質を定量化するため、劣化画像と接地真実画像との相対差を典型的に算出する。 しかし、この違いを測定するのにどんな指標を使うべきか? 理想的には、メトリックは自然画像と科学画像の両方でうまく機能するはずだ。 構造類似度指数(SSIM)は、人間が画像の類似性をどう知覚するかの指標であるが、科学的に顕微鏡で意味のある違いには敏感ではない。 電子および超解像顕微鏡では、フーリエリング相関 (FRC) がしばしば用いられるが、これらの分野以外ではほとんど知られていない。 ここでは、FRCがGoogle Open Imagesデータセットなど、自然画像にも同じように適用可能であることを示す。 次に、frcに基づいて損失関数を定義し、解析的に微分可能であることを示す。 このFRCベースの損失関数は、L1またはL2ベースの損失を使用する場合よりも、ネットワークを高速にトレーニングし、類似またはより良い結果が得られる。 また、FRC解析によるニューラルネットワークの特性と限界についても検討する。

関連論文リスト

• {\mu}Split: efficient image decomposition for microscopy data [50.794670705085835]
  muSplitは、蛍光顕微鏡画像の文脈で訓練された画像分解のための専用アプローチである。 本稿では,大規模な画像コンテキストのメモリ効率向上を実現するメタアーキテクチャである横型文脈化(LC)を提案する。 muSplitを5つの分解タスクに適用し、1つは合成データセットに、もう4つは実際の顕微鏡データから導出する。
  論文  参考訳（メタデータ） (2022-11-23T11:26:24Z)
• Contrastive Learning for Local and Global Learning MRI Reconstruction [25.279021256319467]
  局所・グローバル学習型MRI再構成ネットワーク(CLGNet)のためのコントラスト学習を提案する。 具体的には、フーリエ理論によれば、フーリエ領域の各値は空間領域の全ての値から計算される。 自己アテンションとトランスフォーマーと比較して、SFLはより強力な学習能力を持ち、より少ない時間でより良いパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2021-11-30T08:23:53Z)
• Contrastive Feature Loss for Image Prediction [55.373404869092866]
  教師付き画像合成モデルのトレーニングでは、批評家は2つの画像を比較する必要がある。 本稿では,2つの画像間の類似度を測定するための情報理論に基づくアプローチを提案する。 この定式化により,L1損失の代替として,出力画像の知覚的リアリズムが向上することを示す。
  論文  参考訳（メタデータ） (2021-11-12T20:39:52Z)
• Low-Light Image Enhancement with Normalizing Flow [92.52290821418778]
  本稿では,この一対多の関係を正規化フローモデルを用いてモデル化する。 低照度画像/特徴を条件として取り、通常露光される画像の分布をガウス分布にマッピングすることを学ぶ可逆ネットワーク。 既存のベンチマークデータセットによる実験結果から,提案手法はより定量的,質的な結果を得ることができ,照度が良く,ノイズやアーティファクトが小さく,色も豊かになることがわかった。
  論文  参考訳（メタデータ） (2021-09-13T12:45:08Z)
• Detection of Alzheimer's Disease Using Graph-Regularized Convolutional Neural Network Based on Structural Similarity Learning of Brain Magnetic Resonance Images [3.478478232710667]
  磁気共鳴画像(MRI)間の構造的類似性を学習したアルツハイマー病(AD)検出法を提案する。 入力画像の埋め込み特徴(Non-Demented (ND), Very Mild Demented (VMD), Mild Demented (MD), Moderated Demented (MDTD))を用いて類似度グラフを構築する。
  論文  参考訳（メタデータ） (2021-02-25T14:49:50Z)
• Single Image Brightening via Multi-Scale Exposure Fusion with Hybrid Learning [48.890709236564945]
  小さいISOと小さな露光時間は、通常、背面または低い光条件下で画像をキャプチャするために使用される。 本稿では、そのような画像を明るくするために、単一の画像輝度化アルゴリズムを提案する。 提案アルゴリズムは,露出時間が大きい2つの仮想画像を生成するための,ユニークなハイブリッド学習フレームワークを含む。
  論文  参考訳（メタデータ） (2020-07-04T08:23:07Z)
• A Loss Function for Generative Neural Networks Based on Watson's Perceptual Model [14.1081872409308]
  変動オートエンコーダ(VAE)を訓練して現実的な画像を生成するには、画像類似性に対する人間の認識を反映する損失関数が必要である。 本稿では,周波数空間における重み付き距離を計算し,輝度とコントラストマスキングを考慮したWatsonの知覚モデルに基づく損失関数を提案する。 実験では、新しい損失関数で訓練されたVAEが、現実的で高品質な画像サンプルを生成した。
  論文  参考訳（メタデータ） (2020-06-26T15:36:11Z)
• Image Quality Assessment: Unifying Structure and Texture Similarity [38.05659069533254]
  テクスチャリサンプリングに対する耐性を明示した,最初のフル参照画像品質モデルを開発した。 畳み込みニューラルネットワークを用いて、画像をオーバーコンプリート表現に変換するインジェクティブで微分可能な関数を構築する。
  論文  参考訳（メタデータ） (2020-04-16T16:11:46Z)
• Structural-analogy from a Single Image Pair [118.61885732829117]
  本稿では,1対の画像A,Bのみを用いて,ニューラルネットワークによる画像構造理解能力について検討する。 我々は、B の外観とスタイルを保持するが、A に対応する構造的配置を持つ画像を生成する。 提案手法は,画像AとBのみを利用した条件生成タスクにおいて,高品質な画像を生成するために利用できる。
  論文  参考訳（メタデータ） (2020-04-05T14:51:10Z)
• DeepEMD: Differentiable Earth Mover's Distance for Few-Shot Learning [122.51237307910878]
  我々は,画像領域間の最適なマッチングの新しい視点から,少数ショット画像分類法を開発した。 我々は、高密度画像表現間の構造距離を計算するために、Earth Mover's Distance (EMD) を用いている。 定式化において重要な要素の重みを生成するために,我々は相互参照機構を設計する。
  論文  参考訳（メタデータ） (2020-03-15T08:13:16Z)

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。