論文の概要: Complex-valued Retrievals From Noisy Images Using Diffusion Models

• arxiv url: http://arxiv.org/abs/2212.03235v3
• Date: Fri, 28 Jul 2023 13:10:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-31 16:29:48.309063
• Title: Complex-valued Retrievals From Noisy Images Using Diffusion Models
• Title（参考訳）: 拡散モデルを用いた雑音画像からの複素値検索
• Authors: Nadav Torem and Roi Ronen and Yoav Y. Schechner and Michael Elad
• Abstract要約: 顕微鏡では、センサーは実測値の強度のみを測定し、さらに、センサーの読み出しはポアソニアン分布光子ノイズの影響を受けます。 従来の復元アルゴリズムは、元の画像と復元された画像の間の平均2乗誤差(MSE)を最小限にすることを目的としている。 これはしばしば知覚品質の悪いぼやけた結果につながる。
• 参考スコア（独自算出の注目度）: 26.467188665404727
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In diverse microscopy modalities, sensors measure only real-valued intensities. Additionally, the sensor readouts are affected by Poissonian-distributed photon noise. Traditional restoration algorithms typically aim to minimize the mean squared error (MSE) between the original and recovered images. This often leads to blurry outcomes with poor perceptual quality. Recently, deep diffusion models (DDMs) have proven to be highly capable of sampling images from the a-posteriori probability of the sought variables, resulting in visually pleasing high-quality images. These models have mostly been suggested for real-valued images suffering from Gaussian noise. In this study, we generalize annealed Langevin Dynamics, a type of DDM, to tackle the fundamental challenges in optical imaging of complex-valued objects (and real images) affected by Poisson noise. We apply our algorithm to various optical scenarios, such as Fourier Ptychography, Phase Retrieval, and Poisson denoising. Our algorithm is evaluated on simulations and biological empirical data.
• Abstract（参考訳）: 様々な顕微鏡法では、センサーは実値の強度のみを測定する。 さらに、センサの読み出しはポアソニアン分布光子ノイズに影響される。 従来の復元アルゴリズムは、元の画像と復元された画像の間の平均二乗誤差(mse)を最小化することを目的としている。 これはしばしば知覚品質の悪いぼやけた結果につながる。 近年,深部拡散モデル (ddms) は, 求める変数のaポストエリリ確率から画像の抽出能力が高く, 画質の高い画像が視覚的に満足できることが証明されている。 これらのモデルは主にガウス雑音に苦しむ実数値画像に対して提案されている。 本研究では,ddmの一種であるアニールド・ランジュバン・ダイナミクスを一般化し,ポアソンノイズの影響を受ける複素値物体(および実画像)の光学的イメージングにおける根本的な課題に取り組む。 本稿では,Fourier Ptychography, Phase Retrieval, Poisson denoisingなどの光学シナリオにアルゴリズムを適用した。 本アルゴリズムはシミュレーションおよび生体実験データに基づいて評価する。

関連論文リスト

• Diff-FMT: Diffusion Models for Fluorescence Molecular Tomography [16.950699640321936]
  拡散確率モデル(DDPM)に基づくFMT再構成手法を提案する。 ステップバイステップの確率サンプリング機構により、画像のきめ細かい再構築を実現し、画像詳細の喪失などの問題を回避する。 Diff-FMTは大規模データセットに頼らずに高解像度の再構成画像が得られることを示す。
  論文  参考訳（メタデータ） (2024-10-09T10:41:31Z)
• RANRAC: Robust Neural Scene Representations via Random Ray Consensus [12.161889666145127]
  RANRAC(RANdom RAy Consensus)は、一貫性のないデータの影響を排除するための効率的な手法である。 我々はRANSACパラダイムのファジィ適応を定式化し、大規模モデルへの適用を可能にした。 その結果, 新規な視点合成のための最先端のロバストな手法と比較して, 顕著な改善が見られた。
  論文  参考訳（メタデータ） (2023-12-15T13:33:09Z)
• Towards High-quality HDR Deghosting with Conditional Diffusion Models [88.83729417524823]
  高ダイナミックレンジ(LDR)画像は、既存のディープニューラルネットワーク(DNN)技術により、複数の低ダイナミックレンジ(LDR)画像から復元することができる。 DNNは、LDR画像が飽和度と大きな動きを持つ場合、ゴーストアーティファクトを生成する。 拡散モデルの条件としてLDR特徴を利用する画像生成としてHDRデゴースト問題を定式化する。
  論文  参考訳（メタデータ） (2023-11-02T01:53:55Z)
• ExposureDiffusion: Learning to Expose for Low-light Image Enhancement [87.08496758469835]
  この研究は、拡散モデルと物理ベースの露光モデルとをシームレスに統合することで、この問題に対処する。 提案手法は,バニラ拡散モデルと比較して性能が大幅に向上し,推論時間を短縮する。 提案するフレームワークは、実際のペア付きデータセット、SOTAノイズモデル、および異なるバックボーンネットワークの両方で動作する。
  論文  参考訳（メタデータ） (2023-07-15T04:48:35Z)
• Weighted Anisotropic-Isotropic Total Variation for Poisson Denoising [2.6381163133447836]
  ポアソンノイズ(Poisson noise)は、天文学や医学などの光子に制限されたイメージングシステムによって撮影された画像によく起こる。 正規化として重み付き異方性等方性全変動(AITV)を組み込んだPoisson denoisingモデルを提案する。 そこで我々は,効率的な実装のための近似演算子を組み合わせた乗算器の交互方向法を開発した。
  論文  参考訳（メタデータ） (2023-07-01T23:25:54Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
  スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。 本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。 提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
  論文  参考訳（メタデータ） (2022-06-09T14:00:26Z)
• 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)
• Designing a Practical Degradation Model for Deep Blind Image Super-Resolution [134.9023380383406]
  単一画像スーパーレゾリューション (sisr) 法は, 推定劣化モデルが実画像から逸脱した場合はうまく動作しない。 本稿では, ランダムにシャッフルされたブラー, ダウンサンプリング, ノイズ劣化からなる, より複雑で実用的な劣化モデルを提案する。
  論文  参考訳（メタデータ） (2021-03-25T17:40:53Z)
• Phase Retrieval with Holography and Untrained Priors: Tackling the Challenges of Low-Photon Nanoscale Imaging [7.984370990908576]
  位相探索は、マグニチュードのみのフーリエ測定から信号を回復する逆問題である。 ナノスケールの課題に適応したホログラフィック位相検索のためのデータセットフリーなディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-14T10:15:07Z)
• 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。