論文の概要: Speckle Image Restoration without Clean Data
- arxiv url: http://arxiv.org/abs/2205.08833v1
- Date: Wed, 18 May 2022 10:06:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-19 13:23:32.350108
- Title: Speckle Image Restoration without Clean Data
- Title(参考訳): クリーンデータのないスペックル画像復元
- Authors: Tsung-Ming Tai, Yun-Jie Jhang, Wen-Jyi Hwang, Chau-Jern Cheng
- Abstract要約: クリーンなデータなしにスペックルノイズ除去を行うことのできる新しい画像復元アルゴリズムを提案する。
また,本手法は,クリーンなデータを必要としない様々なスペックルノイズ強度に対して有望な結果を示す。
- 参考スコア(独自算出の注目度): 0.18528576113792794
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Speckle noise is an inherent disturbance in coherent imaging systems such as
digital holography, synthetic aperture radar, optical coherence tomography, or
ultrasound systems. These systems usually produce only single observation per
view angle of the same interest object, imposing the difficulty to leverage the
statistic among observations. We propose a novel image restoration algorithm
that can perform speckle noise removal without clean data and does not require
multiple noisy observations in the same view angle. Our proposed method can
also be applied to the situation without knowing the noise distribution as
prior. We demonstrate our method is especially well-suited for spectral images
by first validating on the synthetic dataset, and also applied on real-world
digital holography samples. The results are superior in both quantitative
measurement and visual inspection compared to several widely applied baselines.
Our method even shows promising results across different speckle noise
strengths, without the clean data needed.
- Abstract(参考訳): スペックルノイズは、デジタルホログラフィー、合成開口レーダー、光コヒーレンス断層撮影、超音波システムなどのコヒーレントイメージングシステムに固有の障害である。
これらのシステムは、通常、同じ関心対象の視野角あたりの単一の観測のみを生成し、観測間の統計値の活用を困難にしている。
クリーンなデータなしにスペックルノイズ除去を行うことができ、同じ視野角で複数のノイズを観測する必要のない新しい画像復元アルゴリズムを提案する。
提案手法は, 騒音分布を事前に知ることなく, 状況に適応することができる。
提案手法は,まず合成データセットを検証し,実世界のデジタルホログラフィーサンプルにも適用することにより,特にスペクトル画像に適していることを示す。
その結果, 定量的測定と視覚検査の両面において, 広く応用されたベースラインよりも優れていることがわかった。
提案手法は,清潔なデータを必要とせず,スペックルノイズ強度の異なるものに対して有望な結果を示す。
関連論文リスト
- Speckle Noise Reduction in Ultrasound Images using Denoising
Auto-encoder with Skip Connection [0.19116784879310028]
超音波画像は、しばしばスペックルノイズを含み、解像度とコントラスト-ノイズ比を下げることができる。
これにより、画像の特徴を抽出、認識、分析することがより困難になる。
研究者はいくつかのスペックル低減法を提案しているが、関連するすべての要因を考慮に入れた単一の手法は存在しない。
論文 参考訳(メタデータ) (2024-03-05T08:08:59Z) - Unsupervised Denoising for Signal-Dependent and Row-Correlated Imaging Noise [54.0185721303932]
本稿では,行関連の画像ノイズを処理できる,教師なしのディープラーニングベースデノイザについて紹介する。
提案手法では,特殊設計の自己回帰デコーダを備えた変分オートエンコーダを用いる。
本手法では,事前学習した雑音モデルを必要としないため,雑音のないデータを用いてスクラッチから訓練することができる。
論文 参考訳(メタデータ) (2023-10-11T20:48:20Z) - 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) - Poisson2Sparse: Self-Supervised Poisson Denoising From a Single Image [34.27748767631027]
本稿では,単一画像の自己教師型学習手法を提案する。
繰り返しニューラルネットワークを用いた画像復調のための従来の反復最適化アルゴリズムを近似する。
提案手法はPSNRとSSIMの両面で最先端の手法より優れている。
論文 参考訳(メタデータ) (2022-06-04T00:08:58Z) - Compressive Ptychography using Deep Image and Generative Priors [9.658250977094562]
Ptychographyは、ナノメートルスケールでサンプルの非侵襲的なイメージングを可能にする、よく確立されたコヒーレント回折イメージング技術である。
Ptychographyの最大の制限は、サンプルの機械的スキャンによる長いデータ取得時間である。
本稿では,深部画像先行と深部画像先行とを組み合わせた生成モデルを提案する。
論文 参考訳(メタデータ) (2022-05-05T02:18:26Z) - 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) - Joint self-supervised blind denoising and noise estimation [0.0]
2つのニューラルネットワークが共同でクリーンシグナルを予測し、ノイズ分布を推定する。
本モデルがノイズ分布を効率的に捉える合成ノイズデータを用いた実証実験を行います。
論文 参考訳(メタデータ) (2021-02-16T08:37:47Z) - Unsupervised Image Restoration Using Partially Linear Denoisers [2.3061446605472558]
本稿では, 非線形画像依存写像, 線形雑音依存項, 残差項の和として分解可能な構造付きデノイザのクラスを提案する。
雑音が平均値と既知分散度をゼロとする条件下では,ノイズのみを学習できることを示す。
本手法は, 学習にクリーンな画像を必要としない, 教師なし, 自己監督型ディープ・デノゲーション・モデルよりも優れている。
論文 参考訳(メタデータ) (2020-08-14T02:13:19Z) - Dual Adversarial Network: Toward Real-world Noise Removal and Noise
Generation [52.75909685172843]
実世界の画像ノイズ除去は、コンピュータビジョンにおける長年の課題である。
本稿では,ノイズ除去およびノイズ発生タスクに対処する新しい統合フレームワークを提案する。
本手法はクリーンノイズ画像対の連成分布を学習する。
論文 参考訳(メタデータ) (2020-07-12T09:16:06Z) - Fully Unsupervised Diversity Denoising with Convolutional Variational
Autoencoders [81.30960319178725]
完全畳み込み変分オートエンコーダ(VAE)に基づく復調手法であるDivNoisingを提案する。
まず, 撮像ノイズモデルをデコーダに明示的に組み込むことにより, 教師なしの雑音発生問題をVAEフレームワーク内に定式化する手法を提案する。
このようなノイズモデルは、ノイズの多いデータから測定したり、ブートストラップしたり、トレーニング中に共同学習したりすることが可能である。
論文 参考訳(メタデータ) (2020-06-10T21:28:13Z) - Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。
本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
論文 参考訳(メタデータ) (2019-08-29T15:54:06Z)
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。