論文の概要: Efficient Burst Raw Denoising with Variance Stabilization and
Multi-frequency Denoising Network
- arxiv url: http://arxiv.org/abs/2205.04721v1
- Date: Tue, 10 May 2022 07:46:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-12 19:58:29.648310
- Title: Efficient Burst Raw Denoising with Variance Stabilization and
Multi-frequency Denoising Network
- Title（参考訳）: 可変安定化と多周波デノナイジングネットワークによる効率的なバーストローデノナイジング
- Authors: Dasong Li, Yi Zhang, Ka Lung Law, Xiaogang Wang, Hongwei Qin and
Hongsheng Li
- Abstract要約: スマートフォンには小さな開口部と小さなセンサーセルがあり、低光環境下でノイズの多い画像を生み出す。
本稿では,ノイズ事前統合,マルチフレームアライメント,マルチフレームデノナイズに基づく効率的なバーストデノナイズシステムを提案する。
私たちの3段階設計は効率的で、バーストデノイングで強い性能を示す。
- 参考スコア（独自算出の注目度）: 39.829676908118806
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: With the growing popularity of smartphones, capturing high-quality images is
of vital importance to smartphones. The cameras of smartphones have small
apertures and small sensor cells, which lead to the noisy images in low light
environment. Denoising based on a burst of multiple frames generally
outperforms single frame denoising but with the larger compututional cost. In
this paper, we propose an efficient yet effective burst denoising system. We
adopt a three-stage design: noise prior integration, multi-frame alignment and
multi-frame denoising. First, we integrate noise prior by pre-processing raw
signals into a variance-stabilization space, which allows using a small-scale
network to achieve competitive performance. Second, we observe that it is
essential to adopt an explicit alignment for burst denoising, but it is not
necessary to integrate a learning-based method to perform multi-frame
alignment. Instead, we resort to a conventional and efficient alignment method
and combine it with our multi-frame denoising network. At last, we propose a
denoising strategy that processes multiple frames sequentially. Sequential
denoising avoids filtering a large number of frames by decomposing multiple
frames denoising into several efficient sub-network denoising. As for each
sub-network, we propose an efficient multi-frequency denoising network to
remove noise of different frequencies. Our three-stage design is efficient and
shows strong performance on burst denoising. Experiments on synthetic and real
raw datasets demonstrate that our method outperforms state-of-the-art methods,
with less computational cost. Furthermore, the low complexity and high-quality
performance make deployment on smartphones possible.
- Abstract（参考訳）: スマートフォンの人気が高まる中、高品質な画像の撮影はスマートフォンにとって極めて重要である。
スマートフォンのカメラは、小さな開口部と小さなセンサーセルを持ち、低光環境でノイズの多い画像に繋がる。
複数のフレームのバーストに基づくデノイングは、一般に単一フレームのデノーミングよりも優れるが、計算コストが大きい。
本稿では,効率的なバースト除算システムを提案する。
我々は,ノイズ優先統合,マルチフレームアライメント,マルチフレームデノイジングという3段階設計を採用している。
まず,生信号の前処理による雑音を分散安定化空間に統合することで,小型ネットワークによる競合性能の実現を可能にする。
第2に,バーストのアライメントに明示的なアライメントを適用することが不可欠であるが,マルチフレームアライメントを実現するために学習に基づく手法を統合する必要はない。
代わりに、従来の効率的なアライメント手法を頼りに、マルチフレームの分別ネットワークと組み合わせます。
最後に,複数のフレームを順次処理するデノイジング戦略を提案する。
シーケンシャル・デノナイジングは、複数の効率的なサブネットワーク・デノナイジングに分解することで、多数のフレームのフィルタリングを避ける。
各サブネットワークについて,異なる周波数のノイズを除去できる効率的なマルチ周波数デノージングネットワークを提案する。
私たちの3段階設計は効率的で、バーストデノイングで強い性能を示す。
合成および実生データセットの実験により,本手法は最先端の手法よりも高い性能を示し,計算コストを低減した。
さらに、低複雑性と高品質なパフォーマンスにより、スマートフォンへのデプロイが可能になる。
関連論文リスト
- Temporal As a Plugin: Unsupervised Video Denoising with Pre-Trained Image Denoisers [30.965705043127144]
本稿では,TAP (Temporal As aTAP) という,教師なしのビデオデノベーションフレームワークを提案する。
時間的加群を組み込むことで、ノイズの多いフレームをまたがる時間的情報を活用することができ、空間的 denoising のパワーを補完することができる。
他の教師なしビデオ復号化手法と比較して,本フレームワークは,SRGBと生ビデオ復号化データセットの両方において優れた性能を示す。
論文 参考訳（メタデータ） (2024-09-17T15:05:33Z) - Low Latency Video Denoising for Online Conferencing Using CNN
Architectures [4.7805617044617446]
本稿では,ランタイムコストが低く,知覚品質の高いリアルタイムビデオデノナイズのためのパイプラインを提案する。
カスタムノイズ検出器アナライザは、重みに適応し、モデルの出力を改善するためにリアルタイムフィードバックを提供する。
論文 参考訳（メタデータ） (2023-02-17T00:55:54Z) - Robust Deep Ensemble Method for Real-world Image Denoising [62.099271330458066]
そこで本研究では,実世界の画像認識のための単純なベイズディープアンサンブル(BDE)手法を提案する。
我々のBDEは、最先端の復調法よりも+0.28dBPSNRのゲインを達成している。
我々のBDEは他の画像復元タスクにも拡張でき、ベンチマークデータセット上で+0.30dB、+0.18dB、+0.12dB PSNRゲインを達成することができる。
論文 参考訳（メタデータ） (2022-06-08T06:19:30Z) - 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) - 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) - Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。
ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。
デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
論文 参考訳（メタデータ） (2021-01-08T02:03:25Z) - Noise2Kernel: Adaptive Self-Supervised Blind Denoising using a Dilated
Convolutional Kernel Architecture [3.796436257221662]
本研究では,不変性を満たす拡張畳み込みネットワークを提案し,ランダムマスキングを使わずに効率的なカーネルベーストレーニングを実現する。
また,ゼロ平均制約を回避し,塩とペッパーまたはハイブリッドノイズの除去に有効である適応型自己超過損失を提案する。
論文 参考訳（メタデータ） (2020-12-07T12:13:17Z) - Learning Model-Blind Temporal Denoisers without Ground Truths [46.778450578529814]
合成データで訓練されたデノイザーは、未知のノイズの多様性に対処できないことが多い。
従来の画像ベース手法は、ビデオデノイザに直接適用した場合、ノイズが過度に収まる。
本稿では,これらの課題に対処する上で有効な,ビデオ・デノベーション・ネットワークの汎用フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-07T07:19:48Z)
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。