論文の概要: Representing Noisy Image Without Denoising
- arxiv url: http://arxiv.org/abs/2301.07409v1
- Date: Wed, 18 Jan 2023 10:13:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-19 16:28:55.684851
- Title: Representing Noisy Image Without Denoising
- Title(参考訳): ノイズなしのノイズ画像の表現
- Authors: Shuren Qi, Yushu Zhang, Chao Wang, Tao Xiang, Xiaochun Cao, Yong Xiang
- Abstract要約: ラドン空間におけるフラクショナルオーダーモーメント(FMR)は、ノイズの多い画像から直接ロバストな表現を引き出すように設計されている。
従来の整数順序法とは異なり、我々の研究は特別な場合のような古典的手法を取り入れたより汎用的な設計である。
- 参考スコア(独自算出の注目度): 120.08257941277321
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A long-standing topic in artificial intelligence is the effective recognition
of patterns from noisy images. In this regard, the recent data-driven paradigm
considers 1) improving the representation robustness by adding noisy samples in
training phase (i.e., data augmentation) or 2) pre-processing the noisy image
by learning to solve the inverse problem (i.e., image denoising). However, such
methods generally exhibit inefficient process and unstable result, limiting
their practical applications. In this paper, we explore a non-learning paradigm
that aims to derive robust representation directly from noisy images, without
the denoising as pre-processing. Here, the noise-robust representation is
designed as Fractional-order Moments in Radon space (FMR), with also beneficial
properties of orthogonality and rotation invariance. Unlike earlier
integer-order methods, our work is a more generic design taking such classical
methods as special cases, and the introduced fractional-order parameter offers
time-frequency analysis capability that is not available in classical methods.
Formally, both implicit and explicit paths for constructing the FMR are
discussed in detail. Extensive simulation experiments and an image security
application are provided to demonstrate the uniqueness and usefulness of our
FMR, especially for noise robustness, rotation invariance, and time-frequency
discriminability.
- Abstract(参考訳): 人工知能における長年のトピックは、ノイズの多い画像からパターンを効果的に認識することである。
この点において、最近のデータ駆動パラダイムは
1)訓練段階(すなわちデータ増強)にノイズのあるサンプルを追加することにより、表現力の向上
2)逆問題(すなわち画像デノーミング)を解決するために,雑音画像の事前処理を行う。
しかし、これらの手法は一般に非効率なプロセスと不安定な結果を示し、実用的応用を制限している。
本稿では,ノイズの多い画像から直接頑健な表現を導出することを目的とした非学習パラダイムについて検討する。
ここで、ノイズロバスト表現はラドン空間(fmr)における分数次モーメントとして設計され、直交性と回転不変性の有益な性質を持つ。
従来の整数順序法と異なり, 古典的手法を特殊ケースとして取り入れたより汎用的な設計であり, 導入された分数次パラメータは, 古典的手法では利用できない時間周波数解析機能を提供する。
形式的には、FMRを構築するための暗黙の経路と明示的な経路の両方を詳細に議論する。
特に雑音のロバスト性, 回転不変性, 時間周波数識別性において, fmrの特異性と有用性を示すために, 広範なシミュレーション実験と画像セキュリティ応用を行った。
関連論文リスト
- SVNR: Spatially-variant Noise Removal with Denoising Diffusion [43.2405873681083]
本稿では,より現実的で空間的変動のある雑音モデルを想定した,微分拡散の新たな定式化について述べる。
実験では,強い拡散モデルベースラインに対するアプローチの利点と,最先端の単一画像復号法に対するアプローチの利点を実証する。
論文 参考訳(メタデータ) (2023-06-28T09:32:00Z) - 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) - 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) - Unsupervised Single Image Super-resolution Under Complex Noise [60.566471567837574]
本稿では,一般のSISRタスクを未知の劣化で扱うためのモデルベースunsupervised SISR法を提案する。
提案手法は, より小さなモデル (0.34M vs. 2.40M) だけでなく, より高速な技術 (SotA) 法 (約1dB PSNR) の現況を明らかに超えることができる。
論文 参考訳(メタデータ) (2021-07-02T11:55:40Z) - Solving Linear Inverse Problems Using the Prior Implicit in a Denoiser [7.7288480250888]
我々は、ディープニューラルネットワークにおける暗黙の事前利用のための堅牢で一般的な手法を開発した。
ブラインド(ノイズレベルが未知の)を訓練したCNNが提示される。
このアルゴリズムの制約サンプリングへの一般化は、任意の線形逆問題を解決するために暗黙の手法を提供する。
論文 参考訳(メタデータ) (2020-07-27T15:40:46Z) - 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) - Noise2Inverse: Self-supervised deep convolutional denoising for
tomography [0.0]
Noise2Inverseは、線形画像再構成アルゴリズムのためのディープCNNに基づくDenoising法である。
そこで我々は,そのような学習がCNNを実際に獲得することを示す理論的枠組みを構築した。
シミュレーションCTデータセットにおいて、Noss2Inverseはピーク信号対雑音比と構造類似度指数の改善を示す。
論文 参考訳(メタデータ) (2020-01-31T12:50:24Z) - 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。