論文の概要: CurvPnP: Plug-and-play Blind Image Restoration with Deep Curvature Denoiser

• arxiv url: http://arxiv.org/abs/2211.07286v1
• Date: Mon, 14 Nov 2022 11:30:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 19:45:30.953547
• Title: CurvPnP: Plug-and-play Blind Image Restoration with Deep Curvature Denoiser
• Title（参考訳）: CurvPnP:Deep Curvature Denoiserを用いたプラグアンドプレイブラインド画像復元
• Authors: Yutong Li and Yuping Duan
• Abstract要約: 既存のプラグアンドプレイ画像復元法は、非盲検に設計されている。 本稿では,より複雑な画像復元問題に対処できる,視覚障害者のための新しい枠組みを提案する。 本モデルでは,ノイズレベルが異なる場合でも,微細な構造を再現できることが示されている。
• 参考スコア（独自算出の注目度）: 7.442030347967277
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to the development of deep learning-based denoisers, the plug-and-play strategy has achieved great success in image restoration problems. However, existing plug-and-play image restoration methods are designed for non-blind Gaussian denoising such as zhang et al (2022), the performance of which visibly deteriorate for unknown noises. To push the limits of plug-and-play image restoration, we propose a novel framework with blind Gaussian prior, which can deal with more complicated image restoration problems in the real world. More specifically, we build up a new image restoration model by regarding the noise level as a variable, which is implemented by a two-stage blind Gaussian denoiser consisting of a noise estimation subnetwork and a denoising subnetwork, where the noise estimation subnetwork provides the noise level to the denoising subnetwork for blind noise removal. We also introduce the curvature map into the encoder-decoder architecture and the supervised attention module to achieve a highly flexible and effective convolutional neural network. The experimental results on image denoising, deblurring and single-image super-resolution are provided to demonstrate the advantages of our deep curvature denoiser and the resulting plug-and-play blind image restoration method over the state-of-the-art model-based and learning-based methods. Our model is shown to be able to recover the fine image details and tiny structures even when the noise level is unknown for different image restoration tasks. The source codes are available at https://github.com/Duanlab123/CurvPnP.
• Abstract（参考訳）: 深層学習に基づくデノイザーの開発により、プラグ・アンド・プレイ戦略は画像復元問題で大きな成功を収めている。 しかし、既存のプラグ・アンド・プレイ画像復元法は、zhang et al (2022)のような、未知の雑音に対して目視的に劣化する非盲検ガウス的デノナイジングのために設計されている。 プラグ・アンド・プレイ画像復元の限界を推し進めるために,現実の複雑な画像復元問題に対処できるブラインド・ガウス以前の新しい枠組みを提案する。 具体的には、ノイズ推定サブネットワークと雑音推定サブネットワークとからなる2段階のブラインドガウスディニューザにより実装され、ノイズ推定サブネットワークがノイズ評価サブネットワークに対してノイズレベルを提供する変数としてのノイズレベルに関する新しい画像復元モデルを構築する。 また、エンコーダ・デコーダアーキテクチャと教師付きアテンションモジュールに曲率マップを導入し、高い柔軟性と効果的な畳み込みニューラルネットワークを実現する。 画像のデニュージング,デブラリング,単一画像の超高解像度化に関する実験結果を提供し,最先端モデルベースおよび学習ベース手法に対する奥行き曲率デノイザーとブラインド画像復元手法の利点を実証した。 本モデルでは,異なる画像復元作業においてノイズレベルが未知であっても,詳細な画像詳細と微小構造物を復元できることが示されている。 ソースコードはhttps://github.com/Duanlab123/CurvPnPで入手できる。

関連論文リスト

• Deep Learning CT Image Restoration using System Blur and Noise Models [2.2530496464901106]
  本稿では,劣化した画像入力とシステムの曖昧さとノイズを両立させ,モデリングとディープラーニングのアプローチを組み合わせる手法を提案する。 その結果,システムボケと雑音特性を表す補助入力を用いた深層学習モデルの有効性が示された。
  論文  参考訳（メタデータ） (2024-07-20T21:17:35Z)
• 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)
• Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
  本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。 トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。 AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
  論文  参考訳（メタデータ） (2022-03-24T18:11:31Z)
• 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)
• Unsupervised Image Restoration Using Partially Linear Denoisers [2.3061446605472558]
  本稿では, 非線形画像依存写像, 線形雑音依存項, 残差項の和として分解可能な構造付きデノイザのクラスを提案する。 雑音が平均値と既知分散度をゼロとする条件下では,ノイズのみを学習できることを示す。 本手法は, 学習にクリーンな画像を必要としない, 教師なし, 自己監督型ディープ・デノゲーション・モデルよりも優れている。
  論文  参考訳（メタデータ） (2020-08-14T02:13:19Z)
• Dual Adversarial Network: Toward Real-world Noise Removal and Noise Generation [52.75909685172843]
  実世界の画像ノイズ除去は、コンピュータビジョンにおける長年の課題である。 本稿では,ノイズ除去およびノイズ発生タスクに対処する新しい統合フレームワークを提案する。 本手法はクリーンノイズ画像対の連成分布を学習する。
  論文  参考訳（メタデータ） (2020-07-12T09:16:06Z)
• 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。