論文の概要: Learning Task-Oriented Flows to Mutually Guide Feature Alignment in Synthesized and Real Video Denoising

• arxiv url: http://arxiv.org/abs/2208.11803v3
• Date: Sat, 25 Mar 2023 09:19:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-29 02:55:47.720893
• Title: Learning Task-Oriented Flows to Mutually Guide Feature Alignment in Synthesized and Real Video Denoising
• Title（参考訳）: 合成・実映像デノイジングにおける特徴アライメントの相互誘導のためのタスク指向フローの学習
• Authors: Jiezhang Cao, Qin Wang, Jingyun Liang, Yulun Zhang, Kai Zhang, Radu Timofte, Luc Van Gool
• Abstract要約: Video Denoisingは、クリーンなノイズを回復するためにビデオからノイズを取り除くことを目的としている。 既存の研究によっては、近辺のフレームから追加の空間的時間的手がかりを利用することで、光学的流れがノイズ発生の助けとなることが示されている。 本稿では,様々なノイズレベルに対してより堅牢なマルチスケール光フロー誘導型ビデオデノイング法を提案する。
• 参考スコア（独自算出の注目度）: 137.5080784570804
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video denoising aims at removing noise from videos to recover clean ones. Some existing works show that optical flow can help the denoising by exploiting the additional spatial-temporal clues from nearby frames. However, the flow estimation itself is also sensitive to noise, and can be unusable under large noise levels. To this end, we propose a new multi-scale refined optical flow-guided video denoising method, which is more robust to different noise levels. Our method mainly consists of a denoising-oriented flow refinement (DFR) module and a flow-guided mutual denoising propagation (FMDP) module. Unlike previous works that directly use off-the-shelf flow solutions, DFR first learns robust multi-scale optical flows, and FMDP makes use of the flow guidance by progressively introducing and refining more flow information from low resolution to high resolution. Together with real noise degradation synthesis, the proposed multi-scale flow-guided denoising network achieves state-of-the-art performance on both synthetic Gaussian denoising and real video denoising. The codes will be made publicly available.
• Abstract（参考訳）: video denoisingは、ビデオからノイズを取り除いてクリーンなものを復元することを目的としている。 既存の研究によっては、近辺のフレームから追加の空間的時間的手がかりを利用することで、光学的流れがノイズ発生を助けることが示されている。 しかしながら、フロー推定自体もノイズに敏感であり、大きなノイズレベルでは使用できない。 そこで本研究では,様々なノイズレベルに対してより堅牢なマルチスケール光フロー誘導型ビデオデノナイズ手法を提案する。 本手法は主に,DFRモジュールとFMDPモジュールからなる。 市販のフローソリューションを直接使用する以前の作品とは異なり、dfrはまず堅牢な多スケール光フローを学習し、fmdpは低解像度から高精細なフロー情報を徐々に導入し改善することでフローガイダンスを利用する。 提案手法は, 実雑音劣化合成とともに, 合成ガウス音化と実映像音化の両方において最先端の性能を実現する。 コードは公開される予定だ。

関連論文リスト

• Video Denoising in Fluorescence Guided Surgery [7.453224212428423]
  蛍光ガイド下手術(FGS)は、外科医に、組織の種類や疾患領域を指示することによって、その練習をガイドするためのユニークな組織ビューを提供する、有望な手術技術である。 FGSは、蛍光信号の順にある未濾過励起光を表すレーザー漏れ光(LLL)から難いバイアスノイズ項を持つ。 従来のビデオデノーミング手法は、ゼロ平均雑音と非因果処理に重点を置いており、どちらもFGSに違反している。
  論文  参考訳（メタデータ） (2024-11-14T20:15:25Z)
• Denoising Reuse: Exploiting Inter-frame Motion Consistency for Efficient Video Latent Generation [36.098738197088124]
  本研究では,遅延ビデオ生成を高速化する拡散再利用モードネットワークを提案する。 初期のデノナイジングステップの粗いきめのノイズは、連続するビデオフレーム間で高い動きの一貫性を示す。 Mo博士は、慎重に設計された軽量なフレーム間の動きを取り入れることで、これらの粗いノイズを次のフレームに伝播させる。
  論文  参考訳（メタデータ） (2024-09-19T07:50:34Z)
• 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)
• 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)
• MANet: Improving Video Denoising with a Multi-Alignment Network [72.93429911044903]
  本稿では,複数フローの提案とアテンションに基づく平均化を行うマルチアライメントネットワークを提案する。 大規模ビデオデータセットを用いた実験により,本手法は調音ベースラインモデルを0.2dBで改善することを示した。
  論文  参考訳（メタデータ） (2022-02-20T00:52:07Z)
• FINO: Flow-based Joint Image and Noise Model [23.9749061109964]
  フローベースジョイントイメージとノイズモデル(FINO) 本研究では,フローベース・ジョイント・イメージ・アンド・ノイズモデル(FINO)を提案する。
  論文  参考訳（メタデータ） (2021-11-11T02:51:54Z)
• Learning Model-Blind Temporal Denoisers without Ground Truths [46.778450578529814]
  合成データで訓練されたデノイザーは、未知のノイズの多様性に対処できないことが多い。 従来の画像ベース手法は、ビデオデノイザに直接適用した場合、ノイズが過度に収まる。 本稿では,これらの課題に対処する上で有効な,ビデオ・デノベーション・ネットワークの汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-07T07:19:48Z)
• Flexible Image Denoising with Multi-layer Conditional Feature Modulation [56.018132592622706]
  条件付き特徴変調(CFM)モジュールを備えたU-Netバックボーンを備えることにより,新しいフレキシブル画像符号化ネットワーク(CFMNet)を提案する。 CFMNetは、第1層のみのチャネルワイドシフトと比較して、複数のCFM層を配置することでノイズレベル情報をよりよく利用することができる。 我々のCFMNetは、フレキシブルな非盲検のためのノイズレベル情報を利用するのに有効であり、定量的メトリクスと視覚的品質の両方の観点から、既存の深部画像復調法に対して好適に機能する。
  論文  参考訳（メタデータ） (2020-06-24T06:00:00Z)

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。