Fugu-MT 論文翻訳(概要): Decay2Distill: Leveraging spatial perturbation and regularization for self-supervised image denoising

論文の概要: Decay2Distill: Leveraging spatial perturbation and regularization for self-supervised image denoising

arxiv url: http://arxiv.org/abs/2208.01948v2
Date: Thu, 4 Aug 2022 14:27:59 GMT
ステータス: 処理完了
システム内更新日: 2022-08-05 10:29:15.719333
Title: Decay2Distill: Leveraging spatial perturbation and regularization for self-supervised image denoising
Title（参考訳）: decay2distill: 自己教師付き画像デノイジングのための空間摂動と正規化の活用
Authors: Manisha Das Chaity, Masud An Nur Islam Fahim
Abstract要約: 本研究では, 空間劣化に頼らず, 正規化された改良を施した自己教師型復調方式を提案する。提案手法は,従来の手法よりも大幅に改善され,異なるデータ領域に対して一貫した性能を示した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Unpaired image denoising has achieved promising development over the last few years. Regardless of the performance, methods tend to heavily rely on underlying noise properties or any assumption which is not always practical. Alternatively, if we can ground the problem from a structural perspective rather than noise statistics, we can achieve a more robust solution. with such motivation, we propose a self-supervised denoising scheme that is unpaired and relies on spatial degradation followed by a regularized refinement. Our method shows considerable improvement over previous methods and exhibited consistent performance over different data domains.
Abstract（参考訳）: 未確認画像のデノベーションは、ここ数年で有望な発展を遂げた。性能に関わらず、メソッドは基礎となるノイズ特性や、必ずしも実用的ではない仮定に大きく依存する傾向にある。あるいは、ノイズの統計ではなく、構造的な観点から問題を基礎づけることができれば、よりロバストなソリューションが実現できます。そこで,このようなモチベーションを生かして,空間的劣化と定式化をともなう自己教師付き弁別スキームを提案する。提案手法は,従来手法に比べて大幅に改善し,異なるデータ領域に対して一貫した性能を示した。

関連論文リスト

Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
拡散モデルを用いて,雑音空間を介して領域適応を行うことが可能であることを示す。特に、補助的な条件入力が多段階の復調過程にどのように影響するかというユニークな性質を活用することにより、有意義な拡散損失を導出する。拡散モデルにおけるチャネルシャッフル層や残留スワッピング型コントラスト学習などの重要な戦略を提案する。
論文参考訳（メタデータ） (2024-06-26T17:40:30Z)
Low-Trace Adaptation of Zero-shot Self-supervised Blind Image Denoising [23.758547513866766]
自己教師型学習と教師型学習のギャップを埋めるために,トレース制約損失関数と低トレース適応型ノイズ2ノイズ(LoTA-N2N)モデルを提案する。本手法は,ゼロショット自己監督型画像復調手法の領域内での最先端性能を実現する。
論文参考訳（メタデータ） (2024-03-19T02:47:33Z)
Heteroscedastic Uncertainty Estimation Framework for Unsupervised Registration [32.081258147692395]
本稿では,異種画像の不確実性推定のためのフレームワークを提案する。教師なし登録時の不確実性の高い領域の影響を適応的に低減することができる。提案手法は, ベースラインを常に上回り, 有意な不確実性推定を導出する。
論文参考訳（メタデータ） (2023-12-01T01:03:06Z)
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)
A Comparison of Image Denoising Methods [23.69991964391047]
我々は、異なるアプリケーションのための合成データセットと実世界のデータセットの様々なデノベーション手法を比較した。単純な行列に基づくアルゴリズムは, テンソルのアルゴリズムと比較して, 同様の結果が得られる可能性が示唆された。近年の進歩にもかかわらず、既存の技術の欠点と拡張の可能性について論じる。
論文参考訳（メタデータ） (2023-04-18T13:41:42Z)
Unsupervised Image Denoising with Score Function [18.814785792844738]
現在の教師なし学習法は、通常、アプリケーションに制約がある。本稿では,より汎用的で複雑な雑音モデルに適用可能な新しい手法を提案する。本手法は,ノイズモデルが単純で,他の手法が適用できない場合や性能が悪い場合にも優れた性能を示す。
論文参考訳（メタデータ） (2023-04-17T15:52:43Z)
Representing Noisy Image Without Denoising [91.73819173191076]
ラドン空間におけるフラクショナルオーダーモーメント(FMR)は、ノイズの多い画像から直接ロバストな表現を引き出すように設計されている。従来の整数順序法とは異なり、我々の研究は特別な場合のような古典的手法を取り入れたより汎用的な設計である。
論文参考訳（メタデータ） (2023-01-18T10:13:29Z)
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)
Noise2Same: Optimizing A Self-Supervised Bound for Image Denoising [54.730707387866076]
本稿では,新しい自己教師型デノベーションフレームワークであるNoss2Sameを紹介する。特にノイズ2Sameは、ノイズモデルに関するJ-不変性や余分な情報を必要としない。以上の結果から,ノイズ2Sameは従来の自己監督型遮音法よりも優れていたことが示唆された。
論文参考訳（メタデータ） (2020-10-22T18:12:26Z)
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)
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。