論文の概要: NAN: Noise-Aware NeRFs for Burst-Denoising

• arxiv url: http://arxiv.org/abs/2204.04668v1
• Date: Sun, 10 Apr 2022 12:10:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-12 16:28:32.741568
• Title: NAN: Noise-Aware NeRFs for Burst-Denoising
• Title（参考訳）: NAN:バースト消音用ノイズ対応NeRF
• Authors: Naama Pearl, Tali Treibitz, Simon Korman
• Abstract要約: バーストデノイングにおける大きな課題は、ピクセルの不一致に対処することである。 我々は,ニューラルレージアンス場 (NeRF) がバーストデノゲーションの強力な枠組みであることを示す。
• 参考スコア（独自算出の注目度）: 11.204610243104465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Burst denoising is now more relevant than ever, as computational photography helps overcome sensitivity issues inherent in mobile phones and small cameras. A major challenge in burst-denoising is in coping with pixel misalignment, which was so far handled with rather simplistic assumptions of simple motion, or the ability to align in pre-processing. Such assumptions are not realistic in the presence of large motion and high levels of noise. We show that Neural Radiance Fields (NeRFs), originally suggested for physics-based novel-view rendering, can serve as a powerful framework for burst denoising. NeRFs have an inherent capability of handling noise as they integrate information from multiple images, but they are limited in doing so, mainly since they build on pixel-wise operations which are suitable to ideal imaging conditions. Our approach, termed NAN, leverages inter-view and spatial information in NeRFs to better deal with noise. It achieves state-of-the-art results in burst denoising and is especially successful in coping with large movement and occlusions, under very high levels of noise. With the rapid advances in accelerating NeRFs, it could provide a powerful platform for denoising in challenging environments.
• Abstract（参考訳）: 計算写真は携帯電話や小型カメラに固有の感度問題を克服するのに役立ちます。 バーストデノゲーションにおける大きな課題は、単純な動きや前処理で整列する能力というより単純な仮定でこれまで処理されてきたピクセルの不一致に対処することである。 このような仮定は、大きな動きと高いレベルのノイズの存在下では現実的ではない。 物理に基づくノベルビューレンダリングのために提案されたNeural Radiance Fields (NeRF) は,バーストデノゲーションのための強力なフレームワークとして機能することを示す。 NeRFは複数の画像からの情報を統合することでノイズを処理できる固有の能力を持っているが、理想の撮像条件に適した画素演算に基づいて構築されるため、その処理には制限がある。 私たちのアプローチはnanと呼ばれ、nerfsの視点間情報と空間情報を活用してノイズに対処する。 バーストデノゲーションの最先端の結果を達成し、特に非常に高い騒音の下で大きな動きや閉塞に対処することに成功している。 nerfを加速する急速な進歩により、挑戦的な環境において、強力なプラットフォームを提供することができる。

関連論文リスト

• LuSh-NeRF: Lighting up and Sharpening NeRFs for Low-light Scenes [38.59630957057759]
  我々は,手持ちの低照度画像群からクリーンでシャープなNeRFを再構成できるLush-NeRFという新しいモデルを提案する。 LuSh-NeRFはシーン表現からノイズを分離するScene-Noise Decompositionモジュールを含む。 実験により、LuSh-NeRFは既存のアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-11T07:22:31Z)
• Robust e-NeRF: NeRF from Sparse & Noisy Events under Non-Uniform Motion [67.15935067326662]
  イベントカメラは低電力、低レイテンシ、高時間解像度、高ダイナミックレンジを提供する。 NeRFは効率的かつ効果的なシーン表現の第一候補と見なされている。 本稿では,移動イベントカメラからNeRFを直接かつ堅牢に再構成する新しい手法であるRobust e-NeRFを提案する。
  論文  参考訳（メタデータ） (2023-09-15T17:52:08Z)
• 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)
• E-NeRF: Neural Radiance Fields from a Moving Event Camera [83.91656576631031]
  理想的な画像からニューラルレイディアンス場(NeRF)を推定する手法はコンピュータビジョンコミュニティで広く研究されている。 本稿では,高速なイベントカメラからNeRFの形式でボリュームシーンを推定する最初の方法であるE-NeRFを提案する。
  論文  参考訳（メタデータ） (2022-08-24T04:53:32Z)
• 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)
• Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
  暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。 提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-05T12:46:36Z)
• NeRF in the Dark: High Dynamic Range View Synthesis from Noisy Raw Images [37.917974033687464]
  NeRFは、提案した入力画像のコレクションから高品質な新規ビュー合成技術である。 シーンのフルダイナミックレンジを保ちながら,直線的生画像を直接トレーニングするためにNeRFを変更した。 NRFは生雑音のゼロ平均分布に対して非常に頑健であることを示す。
  論文  参考訳（メタデータ） (2021-11-26T18:59:47Z)
• 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)
• Reconstructing the Noise Manifold for Image Denoising [56.562855317536396]
  本稿では,画像ノイズ空間の構造を明示的に活用するcGANを提案する。 画像ノイズの低次元多様体を直接学習することにより、この多様体にまたがる情報のみをノイズ画像から除去する。 我々の実験に基づいて、我々のモデルは既存の最先端アーキテクチャを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-02-11T00:31:31Z)

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。