論文の概要: Estimating Fine-Grained Noise Model via Contrastive Learning
- arxiv url: http://arxiv.org/abs/2204.01716v1
- Date: Sun, 3 Apr 2022 02:35:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-07 04:28:43.221311
- Title: Estimating Fine-Grained Noise Model via Contrastive Learning
- Title(参考訳): コントラスト学習による細粒度騒音モデルの推定
- Authors: Yunhao Zou and Ying Fu
- Abstract要約: 本稿では,現実的な雑音画像生成のための革新的なノイズモデル推定とノイズ合成パイプラインを提案する。
本モデルでは, 微粒な統計的雑音モデルを用いた雑音推定モデルについて, 対照的に学習する。
いくつかのセンサのノイズモデルを校正することで、我々のモデルは他のカメラを予測できるように拡張することができる。
- 参考スコア(独自算出の注目度): 11.626812663592416
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image denoising has achieved unprecedented progress as great efforts have
been made to exploit effective deep denoisers. To improve the denoising
performance in realworld, two typical solutions are used in recent trends:
devising better noise models for the synthesis of more realistic training data,
and estimating noise level function to guide non-blind denoisers. In this work,
we combine both noise modeling and estimation, and propose an innovative noise
model estimation and noise synthesis pipeline for realistic noisy image
generation. Specifically, our model learns a noise estimation model with
fine-grained statistical noise model in a contrastive manner. Then, we use the
estimated noise parameters to model camera-specific noise distribution, and
synthesize realistic noisy training data. The most striking thing for our work
is that by calibrating noise models of several sensors, our model can be
extended to predict other cameras. In other words, we can estimate
cameraspecific noise models for unknown sensors with only testing images,
without laborious calibration frames or paired noisy/clean data. The proposed
pipeline endows deep denoisers with competitive performances with
state-of-the-art real noise modeling methods.
- Abstract(参考訳): 画像のデノイングは、効果的なディープデノワザーを活用すべく、前例のない進歩を遂げた。
実世界の騒音性能を改善するために、より現実的な訓練データ合成のためのより良いノイズモデルの開発と、非盲検者誘導のための騒音レベル関数の推定という2つの典型的な解決策が近年使われている。
本研究では,ノイズモデリングと推定を併用し,現実的なノイズ画像生成のための革新的なノイズモデル推定とノイズ合成パイプラインを提案する。
具体的には,細粒度統計ノイズモデルを用いた雑音推定モデルと対比的に学習する。
次に、推定ノイズパラメータを用いて、カメラ固有のノイズ分布をモデル化し、現実的なノイズトレーニングデータを合成する。
私たちの研究で最も印象的な点は、複数のセンサーのノイズモデルを校正することで、私たちのモデルは他のカメラを予測するために拡張できることです。
言い換えれば、画像のみをテストする未知のセンサのカメラ固有ノイズモデルを、不適切なキャリブレーションフレームやペアのノイズ/クリーンデータなしで推定できる。
提案するパイプラインは,最先端の実ノイズモデリング手法と競合する性能を持つ深いデノイザを内包する。
関連論文リスト
- Towards General Low-Light Raw Noise Synthesis and Modeling [37.87312467017369]
生成モデルにより信号非依存ノイズを合成する新しい視点を導入する。
具体的には、信号に依存しないノイズと信号に依存しないノイズを物理と学習に基づく方法で合成する。
このようにして、本手法は一般的なモデルとみなすことができ、つまり、異なるISOレベルの異なるノイズ特性を同時に学習することができる。
論文 参考訳(メタデータ) (2023-07-31T09:10:10Z) - Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。
本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。
RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
論文 参考訳(メタデータ) (2023-05-23T12:56:01Z) - Noise2NoiseFlow: Realistic Camera Noise Modeling without Clean Images [35.29066692454865]
本稿では,ノイズモデルとデノイザを同時にトレーニングするためのフレームワークを提案する。
ノイズ/クリーンなペア画像データではなく、ノイズの多いイメージのペアに依存します。
トレーニングされたデノイザーは、教師付きおよび弱教師付きベースラインデノイジングアプローチの両方において、大幅に改善される。
論文 参考訳(メタデータ) (2022-06-02T15:31:40Z) - C2N: Practical Generative Noise Modeling for Real-World Denoising [53.96391787869974]
両例を使わずに複雑な実世界の騒音を模倣するクリーン・ツー・ノイズ画像生成フレームワーク,すなわちC2Nを導入する。
我々は,C2Nの騒音発生器を実世界の騒音特性の成分に応じて構築し,広い範囲の騒音を正確に表現する。
論文 参考訳(メタデータ) (2022-02-19T05:53:46Z) - IDR: Self-Supervised Image Denoising via Iterative Data Refinement [66.5510583957863]
本稿では,最先端のデノナイジング性能を実現するために,教師なしの実用的なデノナイジング手法を提案する。
本手法では, 1つのノイズ画像と1つのノイズモデルしか必要とせず, 実際の生画像に容易にアクセス可能である。
実世界のアプリケーションにおける生画像復調性能を評価するため,500シーンのシーンを含む高品質な生画像データセットSenseNoise-500を構築した。
論文 参考訳(メタデータ) (2021-11-29T07:22:53Z) - Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。
それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
論文 参考訳(メタデータ) (2021-10-10T10:45:24Z) - Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。
実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。
我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
論文 参考訳(メタデータ) (2021-08-04T16:36:29Z) - Adaptive noise imitation for image denoising [58.21456707617451]
本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。
現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。
ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
論文 参考訳(メタデータ) (2020-11-30T02:49:36Z) - Learning Camera-Aware Noise Models [22.114167097784787]
本稿では,実世界の雑音から生成ノイズモデルを学習する,データ駆動型手法を提案する。
提案するノイズモデルでは,異なるカメラセンサの異なるノイズ特性を同時に学習することができる。
論文 参考訳(メタデータ) (2020-08-21T08:25:14Z) - A Physics-based Noise Formation Model for Extreme Low-light Raw
Denoising [34.98772175073111]
CMOS光センサの特性に基づく高精度なノイズ生成モデルを提案する。
また,現代のデジタルカメラにおけるノイズパラメータの校正手法を提案する。
論文 参考訳(メタデータ) (2020-03-28T09:16:48Z)
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。