論文の概要: Dense residual Transformer for image denoising
- arxiv url: http://arxiv.org/abs/2205.06944v1
- Date: Sat, 14 May 2022 01:59:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-17 15:43:56.167650
- Title: Dense residual Transformer for image denoising
- Title（参考訳）: 画像デノイジング用高密度残差変圧器
- Authors: Chao Yao, Shuo Jin, Meiqin Liu, Xiaojuan Ban
- Abstract要約: ノイズフリーで高品質な画像をノイズの多い画像から再構成することを目的とした,低レベルのコンピュータビジョンタスクである。
本稿では,DenSformer という名前の Transformer に基づく画像記述型ネットワーク構造を提案する。
- 参考スコア（独自算出の注目度）: 7.232516946005627
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image denoising is an important low-level computer vision task, which aims to
reconstruct a noise-free and high-quality image from a noisy image. With the
development of deep learning, convolutional neural network (CNN) has been
gradually applied and achieved great success in image denoising, image
compression, image enhancement, etc. Recently, Transformer has been a hot
technique, which is widely used to tackle computer vision tasks. However, few
Transformer-based methods have been proposed for low-level vision tasks. In
this paper, we proposed an image denoising network structure based on
Transformer, which is named DenSformer. DenSformer consists of three modules,
including a preprocessing module, a local-global feature extraction module, and
a reconstruction module. Specifically, the local-global feature extraction
module consists of several Sformer groups, each of which has several
ETransformer layers and a convolution layer, together with a residual
connection. These Sformer groups are densely skip-connected to fuse the feature
of different layers, and they jointly capture the local and global information
from the given noisy images. We conduct our model on comprehensive experiments.
Experimental results prove that our DenSformer achieves improvement compared to
some state-of-the-art methods, both for the synthetic noise data and real noise
data, in the objective and subjective evaluations.
- Abstract（参考訳）: ノイズフリーで高品質な画像をノイズの多い画像から再構成することを目的とした,低レベルのコンピュータビジョンタスクである。
ディープラーニングの発展に伴い、畳み込みニューラルネットワーク(CNN)は徐々に適用され、画像の復調、画像圧縮、画像強調などにおいて大きな成功を収めている。
近年,Transformerはコンピュータビジョンタスクに対処するために広く利用されているホットテクニックである。
しかし、低レベルの視覚タスクに対してTransformerベースの手法はほとんど提案されていない。
本稿では,Transformerをベースとした画像記述型ネットワーク構造を提案し,DenSformerと命名した。
densformerは、プリプロセッシングモジュール、ローカルグローバル特徴抽出モジュール、再構築モジュールを含む3つのモジュールで構成されている。
具体的には、局所的な特徴抽出モジュールは、複数のSformerグループから構成され、それぞれに複数のETransformer層と畳み込み層と、残りの接続を含む。
これらのスフォーマー群は、異なる層の特徴を融合させるために密にスキップ接続され、与えられたノイズ画像から局所的および大域的な情報を取り込む。
私たちは総合的な実験でモデルを実行します。
実験結果から,デンスフォーマは,合成雑音データと実雑音データの両方について,目的的および主観的評価において,最先端手法に比べて改善が得られた。
関連論文リスト
- Multi-Scale Representation Learning for Image Restoration with State-Space Model [13.622411683295686]
効率的な画像復元のためのマルチスケール状態空間モデル(MS-Mamba)を提案する。
提案手法は,計算複雑性を低く保ちながら,新しい最先端性能を実現する。
論文 参考訳（メタデータ） (2024-08-19T16:42:58Z) - Multi-Scale Texture Loss for CT denoising with GANs [0.9349653765341301]
GAN(Generative Adversarial Networks)は、医療画像の応用を認知するための強力なフレームワークとして証明されている。
本研究は,Gray-Level-Co-occurrence Matrix (GLCM) の内在的マルチスケール特性を利用した損失関数を提案する。
また,画像から抽出したマルチスケールテクスチャ情報を動的に集約する自己認識層を導入する。
論文 参考訳（メタデータ） (2024-03-25T11:28:52Z) - A cross Transformer for image denoising [83.68175077524111]
直列ブロック(SB)、並列ブロック(PB)、残留ブロック(RB)を備えたクロストランスフォーマー(CTNet)を提案する。
CTNetは、実画像や合成画像のデノナイジングにおいて、一般的なデノナイジング法よりも優れている。
論文 参考訳（メタデータ） (2023-10-16T13:53:19Z) - Multi-stage image denoising with the wavelet transform [125.2251438120701]
深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。
動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
論文 参考訳（メタデータ） (2022-09-26T03:28:23Z) - Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image
Denoising [50.039949798156826]
本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。
ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。
次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
論文 参考訳（メタデータ） (2022-07-09T13:35:12Z) - SUMD: Super U-shaped Matrix Decomposition Convolutional neural network
for Image denoising [0.0]
ネットワークに行列分解モジュール(MD)を導入し,グローバルなコンテキスト機能を確立する。
U字型アーキテクチャの多段階的プログレッシブ復元の設計に触発されて,MDモジュールをマルチブランチに統合する。
我々のモデル(SUMD)は、Transformerベースの手法で、同等の視覚的品質と精度が得られる。
論文 参考訳（メタデータ） (2022-04-11T04:38:34Z) - Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。
トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。
AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
論文 参考訳（メタデータ） (2022-03-24T18:11:31Z) - CM-GAN: Image Inpainting with Cascaded Modulation GAN and Object-Aware
Training [112.96224800952724]
複雑な画像に大きな穴をあける際の可視像構造を生成するためのカスケード変調GAN(CM-GAN)を提案する。
各デコーダブロックにおいて、まず大域変調を適用し、粗い意味認識合成構造を行い、次に大域変調の出力に空間変調を適用し、空間適応的に特徴写像を更に調整する。
さらに,ネットワークがホール内の新たな物体を幻覚させるのを防ぐため,実世界のシナリオにおける物体除去タスクのニーズを満たすために,オブジェクト認識型トレーニングスキームを設計する。
論文 参考訳（メタデータ） (2022-03-22T16:13:27Z) - SDWNet: A Straight Dilated Network with Wavelet Transformation for Image
Deblurring [23.86692375792203]
画像劣化は、ぼやけた画像から鋭い画像を復元することを目的としたコンピュータビジョンの問題である。
我々のモデルは拡張畳み込みを用いて空間分解能の高い大きな受容場を得ることができる。
本稿では,ウェーブレット変換を用いた新しいモジュールを提案する。
論文 参考訳（メタデータ） (2021-10-12T07:58:10Z) - 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。