論文の概要: NBD-GAP: Non-Blind Image Deblurring Without Clean Target Images

• arxiv url: http://arxiv.org/abs/2209.09498v1
• Date: Tue, 20 Sep 2022 06:21:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 19:11:13.639915
• Title: NBD-GAP: Non-Blind Image Deblurring Without Clean Target Images
• Title（参考訳）: NBD-GAP: クリーンターゲット画像のない非ブラインド画像
• Authors: Nithin Gopalakrishnan Nair, Rajeev Yasarla and Vishal M. Patel
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 79.33220095067749
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, deep neural network-based restoration methods have achieved state-of-the-art results in various image deblurring tasks. However, one major drawback of deep learning-based deblurring networks is that large amounts of blurry-clean image pairs are required for training to achieve good performance. Moreover, deep networks often fail to perform well when the blurry images and the blur kernels during testing are very different from the ones used during training. This happens mainly because of the overfitting of the network parameters on the training data. In this work, we present a method that addresses these issues. We view the non-blind image deblurring problem as a denoising problem. To do so, we perform Wiener filtering on a pair of blurry images with the corresponding blur kernels. This results in a pair of images with colored noise. Hence, the deblurring problem is translated into a denoising problem. We then solve the denoising problem without using explicit clean target images. Extensive experiments are conducted to show that our method achieves results that are on par to the state-of-the-art non-blind deblurring works.
• Abstract（参考訳）: 近年,ディープニューラルネットワークを用いた復元手法は,様々な画像デブラリング作業において最先端の成果を得られている。 しかし、ディープラーニングに基づくデブロワーリングネットワークの大きな欠点の1つは、優れたパフォーマンスを得るためには、訓練に大量のぼやけたクリーンなイメージペアが必要であることである。 さらに、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。 これは主に、トレーニングデータに対するネットワークパラメータの過度な適合に起因する。 本稿では,これらの問題に対処する手法を提案する。 非ブリンド画像のデブラリング問題をデノジング問題と見なす。 そこで我々は,1対のぼかし画像に対して,対応するぼかしカーネルを用いてワイナーフィルタリングを行う。 この結果、カラーノイズのある2つの画像が生成される。 したがって、デブルリング問題はデノージング問題に翻訳される。 次に, 明示的なクリーンターゲット画像を用いずに, 雑音除去問題を解く。 本手法は,最先端の非盲検作業と同等の結果が得られることを示すため,広範囲な実験を行った。

関連論文リスト

• How to Best Combine Demosaicing and Denoising? [16.921538543268216]
  分解と分解は 生画像パイプラインにおいて 重要な役割を担っています ほとんどの復号法はノイズフリー画像の復号化に対処する。 本当の問題は、ノイズの多い生画像の合成と分解だ。
  論文  参考訳（メタデータ） (2024-08-13T07:23:53Z)
• Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
  本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。 提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。 提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
  論文  参考訳（メタデータ） (2023-03-23T09:33:44Z)
• Disentangling Noise from Images: A Flow-Based Image Denoising Neural Network [25.008542061247383]
  本稿では,イメージデノベーションを分散学習と切り離しタスクとして扱うための新しい視点を提案する。 ノイズ画像分布は、クリーン画像とノイズの結合分布と見なすことができるので、潜在表現をクリーン表現に操作することにより、消音画像を得ることができる。 我々は、クリーンまたはノイズ分布のいずれかの仮定なしに、反転型消音ネットワーク、FDNを提示します。
  論文  参考訳（メタデータ） (2021-05-11T01:52:26Z)
• 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)
• Unpaired Learning of Deep Image Denoising [80.34135728841382]
  本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。 自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。 実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
  論文  参考訳（メタデータ） (2020-08-31T16:22:40Z)
• Improving Blind Spot Denoising for Microscopy [73.94017852757413]
  自己監督型認知の質を向上させる新しい方法を提案する。 我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
  論文  参考訳（メタデータ） (2020-08-19T13:06:24Z)
• Handling noise in image deblurring via joint learning [0.3407858371718068]
  多くのブラインドデブロワー法は、ぼやけた画像はノイズのないものと仮定し、ノイズのあるぼやけた画像に対して不満足に処理する。 本稿では,デノイザサブネットワークとデブロワーサブネットワークからなるカスケードフレームワークを提案する。 共同学習は, 脱臭後の残音が脱臭に及ぼす影響を低減し, 重騒音に対する脱臭の堅牢性を向上させる。
  論文  参考訳（メタデータ） (2020-01-27T12:59:52Z)
• 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。

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。