論文の概要: Multiple Degradation and Reconstruction Network for Single Image
Denoising via Knowledge Distillation
- arxiv url: http://arxiv.org/abs/2204.13873v1
- Date: Fri, 29 Apr 2022 04:13:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-03 02:47:55.501688
- Title: Multiple Degradation and Reconstruction Network for Single Image
Denoising via Knowledge Distillation
- Title(参考訳): 知識蒸留による単一画像復調のための多重劣化・再構成ネットワーク
- Authors: Juncheng Li, Hanhui Yang, Qiaosi Yi, Faming Fang, Guangwei Gao,
Tieyong Zeng, Guixu Zhang
- Abstract要約: SID(Single Image Denoising)は深層学習の発展において画期的な進歩を遂げた。
ノイズを段階的に除去する軽量な多重劣化・再構成ネットワーク(MDRN)を提案する。
また, MDRNがヘテロジニアスモデルからよりリッチで正確な特徴を学べるように, 2つの新しいヘテロジニアス知識蒸留戦略を提案する。
- 参考スコア(独自算出の注目度): 42.31445934973342
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Single image denoising (SID) has achieved significant breakthroughs with the
development of deep learning. However, the proposed methods are often
accompanied by plenty of parameters, which greatly limits their application
scenarios. Different from previous works that blindly increase the depth of the
network, we explore the degradation mechanism of the noisy image and propose a
lightweight Multiple Degradation and Reconstruction Network (MDRN) to
progressively remove noise. Meanwhile, we propose two novel Heterogeneous
Knowledge Distillation Strategies (HMDS) to enable MDRN to learn richer and
more accurate features from heterogeneous models, which make it possible to
reconstruct higher-quality denoised images under extreme conditions. Extensive
experiments show that our MDRN achieves favorable performance against other SID
models with fewer parameters. Meanwhile, plenty of ablation studies demonstrate
that the introduced HMDS can improve the performance of tiny models or the
model under high noise levels, which is extremely useful for related
applications.
- Abstract(参考訳): SID(Single Image Denoising)は深層学習の発展において画期的な進歩を遂げた。
しかし、提案手法には多くのパラメータが伴い、アプリケーションのシナリオは大幅に制限される。
ネットワークの奥行きを盲目的に増やす従来の手法とは異なり,ノイズ画像の劣化機構を探索し,ノイズを徐々に除去するための軽量多重劣化・再構成ネットワーク(mdrn)を提案する。
一方,HMDS(Heterogeneous Knowledge Distillation Strategies)は,MDRNがヘテロジニアスモデルからよりリッチで正確な特徴を学習できるようにするため,高画質の復号化画像の極端条件下での再構成を可能にする。
MDRNは,パラメータの少ない他のSIDモデルに対して良好な性能を示す。
一方、多くのアブレーション研究により、導入されたHMDSは、ノイズレベルの高い小さなモデルやモデルの性能を向上させることができることが示されている。
関連論文リスト
- Cycle-Consistent Bridge Diffusion Model for Accelerated MRI Reconstruction [22.589087990596887]
既存のディープラーニング手法は、通常、アンダーサンプルデータからイメージを従来の再構成アプローチで再構築する。
近年,拡散モデルによる画像の忠実度向上の可能性が高まっている。
CBDMは2つの橋梁拡散モデルを用いて、一貫した損失を伴うサイクル一貫性の拡散過程を構築する。
論文 参考訳(メタデータ) (2024-12-13T09:35:34Z) - Generating Content for HDR Deghosting from Frequency View [56.103761824603644]
近年の拡散モデル (DM) はHDRイメージング分野に導入されている。
DMは画像全体を推定するために大きなモデルで広範囲の反復を必要とする。
ゴーストフリーHDRイメージングのための低周波数対応拡散(LF-Diff)モデルを提案する。
論文 参考訳(メタデータ) (2024-04-01T01:32:11Z) - DuDoUniNeXt: Dual-domain unified hybrid model for single and
multi-contrast undersampled MRI reconstruction [24.937435059755288]
そこで我々はDuDoUniNeXtを提案する。DuDoUniNeXtは、不在、低品質、高品質な参照画像を含むシナリオに対応可能な、統合されたデュアルドメインMRI再構成ネットワークである。
実験により,提案モデルが最先端のSCモデルとMCモデルを大幅に上回ることを示した。
論文 参考訳(メタデータ) (2024-03-08T12:26:48Z) - Reconstruct-and-Generate Diffusion Model for Detail-Preserving Image
Denoising [16.43285056788183]
再構成・生成拡散モデル(Reconstruct-and-Generate Diffusion Model, RnG)と呼ばれる新しい手法を提案する。
提案手法は, 再構成型復調ネットワークを利用して, 基礎となるクリーン信号の大半を復元する。
拡散アルゴリズムを用いて残留する高周波の詳細を生成し、視覚的品質を向上させる。
論文 参考訳(メタデータ) (2023-09-19T16:01:20Z) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳(メタデータ) (2022-09-15T03:58:30Z) - 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) - Self-supervised Deep Unrolled Reconstruction Using Regularization by
Denoising [9.489726334567171]
本稿では,MR画像再構成のための自己教師あり学習を可能にする新しい再構成手法であるDURED-Netを提案する。
MR再生におけるノイズ2ノイズの再構成性能を画像物理を利用した明示的な事前付加により向上することを目的としている。
提案手法は, 再現性を高めるために, トレーニングデータ量の削減を必要とすることを示した。
論文 参考訳(メタデータ) (2022-05-07T01:49:31Z) - High-Frequency aware Perceptual Image Enhancement [0.08460698440162888]
マルチスケール解析に適した新しいディープニューラルネットワークを導入し,効率的なモデルに依存しない手法を提案する。
本モデルは,デノイング,デブロアリング,単一画像超解像などのマルチスケール画像強調問題に適用できる。
論文 参考訳(メタデータ) (2021-05-25T07:33:14Z) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳(メタデータ) (2021-04-05T13:05:22Z) - Accurate and Lightweight Image Super-Resolution with Model-Guided Deep
Unfolding Network [63.69237156340457]
我々は、モデル誘導深部展開ネットワーク(MoG-DUN)と呼ばれるSISRに対する説明可能なアプローチを提示し、提唱する。
MoG-DUNは正確(エイリアスを少なくする)、計算効率(モデルパラメータを減らした)、多用途(多重劣化を処理できる)である。
RCAN, SRDNF, SRFBNを含む既存の最先端画像手法に対するMoG-DUN手法の優位性は、いくつかの一般的なデータセットと様々な劣化シナリオに関する広範な実験によって実証されている。
論文 参考訳(メタデータ) (2020-09-14T08:23:37Z)
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。