論文の概要: Thunder: Thumbnail based Fast Lightweight Image Denoising Network

• arxiv url: http://arxiv.org/abs/2205.11823v1
• Date: Tue, 24 May 2022 06:38:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-25 15:07:15.575272
• Title: Thunder: Thumbnail based Fast Lightweight Image Denoising Network
• Title（参考訳）: Thunder:Thumbnailベースの高速軽量画像デノイングネットワーク
• Authors: Yifeng Zhou and Xing Xu and Shuaicheng Liu and Guoqing Wang and Huimin Lu and Heng Tao Shen
• Abstract要約: textbfThumbtextbfnail ベースの textbfDtextbfenoising Netwotextbfrk called Thunder が提案されている。
• 参考スコア（独自算出の注目度）: 92.9631117239565
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To achieve promising results on removing noise from real-world images, most of existing denoising networks are formulated with complex network structure, making them impractical for deployment. Some attempts focused on reducing the number of filters and feature channels but suffered from large performance loss, and a more practical and lightweight denoising network with fast inference speed is of high demand. To this end, a \textbf{Thu}mb\textbf{n}ail based \textbf{D}\textbf{e}noising Netwo\textbf{r}k dubbed Thunder, is proposed and implemented as a lightweight structure for fast restoration without comprising the denoising capabilities. Specifically, the Thunder model contains two newly-established modules: (1) a wavelet-based Thumbnail Subspace Encoder (TSE) which can leverage sub-bands correlation to provide an approximate thumbnail based on the low-frequent feature; (2) a Subspace Projection based Refine Module (SPR) which can restore the details for thumbnail progressively based on the subspace projection approach. Extensive experiments have been carried out on two real-world denoising benchmarks, demonstrating that the proposed Thunder outperforms the existing lightweight models and achieves competitive performance on PSNR and SSIM when compared with the complex designs.
• Abstract（参考訳）: 実世界の画像からノイズを除去する有望な結果を得るため、既存のデノナイジングネットワークの多くは複雑なネットワーク構造で定式化されており、展開には実用的ではない。 いくつかの試みはフィルタや特徴チャネルの数を減らすことに重点を置いていたが、大きな性能損失を被り、高速な推論速度を持つより実用的で軽量なデノナイジングネットワークが要求される。 この目的のために, netwo\textbf{r}k を thunder と呼ぶ \textbf{thu}mb\textbf{n}ail ベースの \textbf{d}\textbf{e}noising netwo\textbf{r}k を提案・実装した。 具体的には,(1)サブバンド相関を利用して低頻度特性に基づく近似サムネイルを提供するwavelet-based thumbnail subspace encoder (tse),(2)サブスペースプロジェクションアプローチに基づいてサムネイルの詳細を段階的に復元するsubspace projection based refine module (spr)である。 提案したThunderは既存の軽量モデルよりも優れており、複雑な設計と比較するとPSNRとSSIMの競争性能が優れていることが実証された。

関連論文リスト

• Zero-Shot Image Denoising for High-Resolution Electron Microscopy [28.34992348748098]
  高分解能電子顕微鏡(HREM)イメージング技術は、広い範囲の物質を直接リアルタイムに可視化するための強力なツールである。 超低信号対雑音比(SNR)とデータ可用性の不足により、ノイズ除去の課題に直面している。 HREMのためのゼロショット自己教師型学習(ZS-SSL)フレームワークであるNoss2SRを提案する。
  論文  参考訳（メタデータ） (2024-06-20T12:40:18Z)
• Two-stage Progressive Residual Dense Attention Network for Image Denoising [0.680228754562676]
  多くのディープCNNベースのdenoisingモデルは、より重要で有用な特徴に注意を払わずに、ノイズの多い画像の階層的特徴を同様に利用し、比較的低いパフォーマンスをもたらす。 本稿では,2つのサブタスクに分割してノイズを段階的に除去する2段階のプログレッシブ・レジデンシャル・アテンション・ネットワーク(TSP-RDANet)を設計する。 2つの異なるアテンション機構に基づくデノナイジングネットワークは、2つのシーケンシャルなサブタスクのために設計されている。
  論文  参考訳（メタデータ） (2024-01-05T14:31:20Z)
• LDM-ISP: Enhancing Neural ISP for Low Light with Latent Diffusion Models [54.93010869546011]
  本稿では,事前学習した潜伏拡散モデルを用いて,超低照度画像の高精細化のためのニューラルISPを実現することを提案する。 具体的には、RAWドメイン上で動作するために事前訓練された潜在拡散モデルを調整するために、軽量なテーミングモジュールのセットをトレーニングする。 遅延拡散モデルにおけるUNet復調と復号化の異なる役割を観察し、低照度画像強調タスクを遅延空間低周波コンテンツ生成と復号位相高周波ディテール保守に分解するきっかけとなる。
  論文  参考訳（メタデータ） (2023-12-02T04:31:51Z)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• Image Blind Denoising Using Dual Convolutional Neural Network with Skip Connection [2.9689285167236603]
  我々は、スキップ接続(DCBDNet)を用いた新しい二重畳み込みブラインド復調ネットワークを提案する。 提案するDCBDNetは、雑音推定ネットワークと二重畳み込みニューラルネットワーク(CNN)から構成される。
  論文  参考訳（メタデータ） (2023-04-04T08:21:46Z)
• 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)
• Noise2Recon: A Semi-Supervised Framework for Joint MRI Reconstruction and Denoising [7.121980163238901]
  本稿では,MR再建と復調のための半教師付き整合性ベースのフレームワーク(Noss2Recon)を提案する。 本手法では,全サンプル数とアンダーサンプル数のみのスキャンを限定的に使用することができる。 その結果, 地中構造データが少ない場合でも, ノイズ2Recon (1) は分布内(低雑音)スキャンで高い性能を達成し, 2) OOD, ノイズスキャンの一般化性を向上させることがわかった。
  論文  参考訳（メタデータ） (2021-09-30T20:06:43Z)
• 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)
• Designing and Training of A Dual CNN for Image Denoising [117.54244339673316]
  クリーンなイメージを復元するためのDual denoising Network(DudeNet)を提案する。 DudeNetは4つのモジュールで構成されている。機能抽出ブロック、拡張ブロック、圧縮ブロック、再構築ブロックである。
  論文  参考訳（メタデータ） (2020-07-08T08:16:24Z)

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。