Fugu-MT 論文翻訳(概要): A Two-stage Method for Non-extreme Value Salt-and-Pepper Noise Removal

論文の概要: A Two-stage Method for Non-extreme Value Salt-and-Pepper Noise Removal

arxiv url: http://arxiv.org/abs/2206.05520v1
Date: Sat, 11 Jun 2022 13:04:22 GMT
ステータス: 処理完了
システム内更新日: 2022-06-19 09:16:08.383426
Title: A Two-stage Method for Non-extreme Value Salt-and-Pepper Noise Removal
Title（参考訳）: 非極値塩・ペッパーノイズ除去のための2段階法
Authors: Renwei Yang, YiKe Liu
Abstract要約: 畳み込みニューラルネットワークは、より広い範囲のノイズ画素を検出するように設計されている。フィルタはピクセル値を0に修正するために使用され、さらなるフィルタリングに有用である。
参考スコア（独自算出の注目度）: 1.90365714903665
License: http://creativecommons.org/licenses/by/4.0/
Abstract: There are several previous methods based on neural network can have great performance in denoising salt and pepper noise. However, those methods are based on a hypothesis that the value of salt and pepper noise is exactly 0 and 255. It is not true in the real world. The result of those methods deviate sharply when the value is different from 0 and 255. To overcome this weakness, our method aims at designing a convolutional neural network to detect the noise pixels in a wider range of value and then a filter is used to modify pixel value to 0, which is beneficial for further filtering. Additionally, another convolutional neural network is used to conduct the denoising and restoration work.
Abstract（参考訳）: ニューラルネットワークに基づく以前の手法では、塩分と唐辛子ノイズの除去に優れた性能を発揮できる。しかし、これらの方法は塩とコショウのノイズの値はちょうど0と255であるという仮説に基づいている。現実の世界ではそうではない。これらのメソッドの結果は、値が0と255とは異なる場合、急激に変化する。この弱点を克服するため,提案手法は畳み込みニューラルネットワークを設計し,より広い範囲のノイズ画素を検出し,フィルタを用いて画素値を0に変更し,さらなるフィルタリングに有用である。さらに、別の畳み込みニューラルネットワークがノイズ除去と修復作業に使用される。

関連論文リスト

N2V2 -- Fixing Noise2Void Checkerboard Artifacts with Modified Sampling Strategies and a Tweaked Network Architecture [66.03918859810022]
我々は,バニラN2V装置に2つの改良を加えて,不要なアーティファクトを大幅に削減する。我々は、顕微鏡および自然画像データに基づいて、その修正を検証した。
論文参考訳（メタデータ） (2022-11-15T21:12:09Z)
NBD-GAP: Non-Blind Image Deblurring Without Clean Target Images [79.33220095067749]
良好な性能を得るためには、トレーニングには大量のぼやけたクリーンなイメージペアが必要である。テスト中のぼやけた画像とぼやけたカーネルが、トレーニング中に使用するものとは大きく異なる場合、ディープネットワークはよく機能しないことが多い。
論文参考訳（メタデータ） (2022-09-20T06:21:11Z)
Dense-Sparse Deep Convolutional Neural Networks Training for Image Denoising [0.6215404942415159]
畳み込みニューラルネットワークのような深層学習手法は、画像認知の領域で注目されている。ディープラーニング畳み込み畳み込みニューラルネットワークは、バッチ正規化と残留学習の正規化メソッドを追加して、多くのフィードフォワード畳み込み層を使用して、トレーニングを高速化し、denoisingパフォーマンスを大幅に改善する。本稿では,高密度スパース・デンス・ネットワークのトレーニング手法を深層化畳み込みニューラルネットワークに適用することにより,学習可能なパラメータを著しく削減できることを示す。
論文参考訳（メタデータ） (2021-07-10T15:14:19Z)
Efficient Deep Image Denoising via Class Specific Convolution [24.103826414190216]
画素ワイズ分類に基づく画像復調のための効率的なディープニューラルネットワークを提案する。提案手法は性能を犠牲にすることなく計算コストを削減できる。
論文参考訳（メタデータ） (2021-03-02T10:28:15Z)
NFCNN: Toward a Noise Fusion Convolutional Neural Network for Image Denoising [0.0]
畳み込みニューラルネットワークでは、融合ブロックと呼ばれるモジュールが導入される。段階的に監督されたトレーニング戦略を採用し、グラデーションの消失とグラデーション問題の爆発を防ぎます。実験結果は、NFCNNがいくつかの最先端のアルゴリズムと比較して競合的な消音結果を実行できることを示しています。
論文参考訳（メタデータ） (2021-02-17T07:06:46Z)
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)
Efficient Blind-Spot Neural Network Architecture for Image Denoising [4.513547390985147]
本稿では,視覚障害者の目視特性を実現するためにダイレーションを用いた完全畳み込みネットワークアーキテクチャを提案する。我々のネットワークは,従来の作業と確立したデータセットの最先端結果よりもパフォーマンスを向上する。
論文参考訳（メタデータ） (2020-08-25T13:48:40Z)
Patch-wise Attack for Fooling Deep Neural Network [153.59832333877543]
我々は,一般的な訓練と防御モデルに対するブラックボックス攻撃であるパッチワイド反復アルゴリズムを提案する。我々は、防衛モデルで9.2%、通常訓練されたモデルで3.7%、成功率で著しく改善した。
論文参考訳（メタデータ） (2020-07-14T01:50:22Z)
Noise2Inpaint: Learning Referenceless Denoising by Inpainting Unrolling [2.578242050187029]
本稿では,ノイズ2Inpaint (N2I) をトレーニング手法として導入し,デノナイジング問題を正規化した画像インパインティングフレームワークに再キャストする。 N2Iは、実世界のデータセットのデノベーションを成功させると同時に、純粋にデータ駆動型であるNoss2Selfと比較して詳細を保存できる。
論文参考訳（メタデータ） (2020-06-16T18:46:42Z)
Neural Sparse Representation for Image Restoration [116.72107034624344]
スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
論文参考訳（メタデータ） (2020-06-08T05:15:17Z)
Deep Learning on Image Denoising: An overview [92.07378559622889]
画像認知におけるディープテクニックの比較研究を行っている。まず、付加的な白色雑音画像に対して、深部畳み込みニューラルネットワーク(CNN)を分類する。次に、定量的および定性的な分析の観点から、パブリック・デノゲーション・データセットの最先端の手法を比較した。
論文参考訳（メタデータ） (2019-12-31T05:03:57Z)

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。