論文の概要: Deep Unfolding for Iterative Stripe Noise Removal

• arxiv url: http://arxiv.org/abs/2209.14973v1
• Date: Tue, 27 Sep 2022 02:53:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 16:52:23.553783
• Title: Deep Unfolding for Iterative Stripe Noise Removal
• Title（参考訳）: 繰り返しStripeノイズ除去のためのディープアンフォールディング
• Authors: Zeshan Fayyaz, Daniel Platnick, Hannan Fayyaz, Nariman Farsad
• Abstract要約: 赤外線イメージングシステムの不均一光電応答は、赤外線画像に重畳される固定パターンストライプノイズをもたらす。 既存の画像デストリップ手法は、すべてのストリップノイズアーティファクトを同時に除去し、画像の詳細と構造を保存し、リアルタイムのパフォーマンスのバランスをとるのに苦労する。 本稿では, 劣化画像の除去アルゴリズムを提案する。これは, 近傍のカラム信号相関を利用して, 独立したカラムストライプノイズを除去する。
• 参考スコア（独自算出の注目度）: 4.756256077972335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The non-uniform photoelectric response of infrared imaging systems results in fixed-pattern stripe noise being superimposed on infrared images, which severely reduces image quality. As the applications of degraded infrared images are limited, it is crucial to effectively preserve original details. Existing image destriping methods struggle to concurrently remove all stripe noise artifacts, preserve image details and structures, and balance real-time performance. In this paper we propose a novel algorithm for destriping degraded images, which takes advantage of neighbouring column signal correlation to remove independent column stripe noise. This is achieved through an iterative deep unfolding algorithm where the estimated noise of one network iteration is used as input to the next iteration. This progression substantially reduces the search space of possible function approximations, allowing for efficient training on larger datasets. The proposed method allows for a more precise estimation of stripe noise to preserve scene details more accurately. Extensive experimental results demonstrate that the proposed model outperforms existing destriping methods on artificially corrupted images on both quantitative and qualitative assessments.
• Abstract（参考訳）: 赤外線イメージングシステムの不均一光電応答により、赤外線画像に重畳される固定パターンストライプノイズが画像品質を著しく低下させる。 劣化した赤外線画像の応用は限られており、元の細部を効果的に保存することが重要である。 既存の画像デストリップ手法は、すべてのノイズアーティファクトを同時に除去し、画像の詳細と構造を保存し、リアルタイムのパフォーマンスのバランスをとるのに苦労する。 本稿では,劣化画像の除去アルゴリズムを提案する。このアルゴリズムは,近傍のカラム信号相関を利用して,独立したカラムストリップノイズを除去する。 これは、1つのネットワークイテレーションの推定ノイズを次のイテレーションの入力として使用する反復的ディープ展開アルゴリズムによって達成される。 この進歩は、可能な関数近似の探索空間を大幅に減らし、より大きなデータセットの効率的なトレーニングを可能にする。 提案手法により,ストリップノイズをより正確に推定し,シーンの詳細をより正確に保存することができる。 実験結果から,提案手法は,定量的評価と定性評価の両面において,既存のデストリップ法よりも優れていることが示された。

関連論文リスト

• A Robust Multisource Remote Sensing Image Matching Method Utilizing Attention and Feature Enhancement Against Noise Interference [15.591520484047914]
  本稿では,ノイズ干渉に対する注意と特徴強調を利用した,頑健なマルチソースリモートセンシング画像マッチング手法を提案する。 第1段階では、深い畳み込みと変圧器の注意機構を組み合わせることで、密集した特徴抽出を行う。 第2段階では、二項分類機構に基づく外乱除去ネットワークを導入する。
  論文  参考訳（メタデータ） (2024-10-01T03:35:34Z)
• Learning to Rank Patches for Unbiased Image Redundancy Reduction [80.93989115541966]
  画像は、隣接する領域の画素が空間的に相関しているため、空間的冗長性に悩まされる。 既存のアプローチでは、意味の少ない画像領域を減らし、この制限を克服しようとしている。 本稿では,Learning to Rank Patchesと呼ばれる画像冗長性低減のための自己教師型フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-31T13:12:41Z)
• Reconstruct-and-Generate Diffusion Model for Detail-Preserving Image Denoising [16.43285056788183]
  再構成・生成拡散モデル(Reconstruct-and-Generate Diffusion Model, RnG)と呼ばれる新しい手法を提案する。 提案手法は, 再構成型復調ネットワークを利用して, 基礎となるクリーン信号の大半を復元する。 拡散アルゴリズムを用いて残留する高周波の詳細を生成し、視覚的品質を向上させる。
  論文  参考訳（メタデータ） (2023-09-19T16:01:20Z)
• 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)
• Linear Combinations of Patches are Unreasonably Effective for Single-Image Denoising [5.893124686141782]
  ディープニューラルネットワークは、画像のノイズ化に革命を起こし、大幅な精度向上を実現している。 画像先行を外部から学習する必要性を軽減するため、入力ノイズ画像の分析のみに基づいて、単画像方式で復調を行う。 本研究は, この制約下でのデノナイズのためのパッチの線形結合の有効性について検討する。
  論文  参考訳（メタデータ） (2022-12-01T10:52:03Z)
• Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
  本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。 事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。 識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
  論文  参考訳（メタデータ） (2022-07-19T14:35:42Z)
• Poisson2Sparse: Self-Supervised Poisson Denoising From a Single Image [34.27748767631027]
  本稿では,単一画像の自己教師型学習手法を提案する。 繰り返しニューラルネットワークを用いた画像復調のための従来の反復最適化アルゴリズムを近似する。 提案手法はPSNRとSSIMの両面で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2022-06-04T00:08:58Z)
• Context-Aware Image Denoising with Auto-Threshold Canny Edge Detection to Suppress Adversarial Perturbation [0.8021197489470756]
  本論文では,新しいコンテキスト認識画像デノイジングアルゴリズムを提案する。 適応画像スムージング技術とカラーリダクション技術を組み合わせて、逆画像からの摂動を除去します。 提案手法は, 敵の攻撃による敵の摂動を低減し, 深部畳み込みニューラルネットワークモデルの堅牢性を向上することを示す。
  論文  参考訳（メタデータ） (2021-01-14T19:15:28Z)
• 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)
• 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)
• Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
  ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。 本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
  論文  参考訳（メタデータ） (2019-08-29T15:54:06Z)

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。