Fugu-MT 論文翻訳(概要): A deep convolutional neural network for salt-and-pepper noise removal using selective convolutional blocks

論文の概要: A deep convolutional neural network for salt-and-pepper noise removal using selective convolutional blocks

arxiv url: http://arxiv.org/abs/2302.05435v1
Date: Fri, 10 Feb 2023 18:51:19 GMT
ステータス: 処理完了
システム内更新日: 2023-02-13 14:57:39.083728
Title: A deep convolutional neural network for salt-and-pepper noise removal using selective convolutional blocks
Title（参考訳）: 選択的畳み込みブロックを用いた塩・ペッパーノイズ除去のための深層畳み込みニューラルネットワーク
Authors: Ahmad Ali Rafiee, Mahmoud Farhang
Abstract要約: グレースケールおよびカラー画像におけるSAPノイズを抑制するための深層CNNモデルSeConvNetを提案する。 SeConvNetは、様々な共通のデータセットに関する広範な実験を用いて、最先端のSAP復調手法と比較される。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In recent years, there has been an unprecedented upsurge in applying deep learning approaches, specifically convolutional neural networks (CNNs), to solve image denoising problems, owing to their superior performance. However, CNNs mostly rely on Gaussian noise, and there is a conspicuous lack of exploiting CNNs for salt-and-pepper (SAP) noise reduction. In this paper, we proposed a deep CNN model, namely SeConvNet, to suppress SAP noise in gray-scale and color images. To meet this objective, we introduce a new selective convolutional (SeConv) block. SeConvNet is compared to state-of-the-art SAP denoising methods using extensive experiments on various common datasets. The results illustrate that the proposed SeConvNet model effectively restores images corrupted by SAP noise and surpasses all its counterparts at both quantitative criteria and visual effects, especially at high and very high noise densities.
Abstract（参考訳）: 近年、画像の分別問題を解くために、深層学習アプローチ、特に畳み込みニューラルネットワーク(cnns)を適用することは、その優れた性能のために前例のない進歩を遂げている。しかし、CNNは主にガウスノイズに依存しており、SAP(Salt-and-Pepper)ノイズ低減のためにCNNを悪用する顕著な欠陥がある。本稿では,グレースケールおよびカラー画像におけるSAPノイズを抑制するための深層CNNモデル,すなわちSeConvNetを提案する。この目的を達成するために、新しい選択畳み込みブロック(SeConv)を導入する。 SeConvNetは、様々な共通のデータセットに関する広範な実験を用いて、最先端のSAP復調手法と比較される。その結果,提案したSeConvNetモデルは,SAPノイズによる画像の劣化を効果的に回復し,特に高密度・高密度で,定量的基準と視覚効果の両方で,その画像の全てを上回ります。

関連論文リスト

Multi-stage image denoising with the wavelet transform [125.2251438120701]
深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
論文参考訳（メタデータ） (2022-09-26T03:28:23Z)
Median Pixel Difference Convolutional Network for Robust Face Recognition [8.636370632339785]
畳み込みニューラルネットワーク(CNN)に基づく既存の顔認識アルゴリズムは、ノイズに弱い。ノイズ劣化した画像パターンは、偽のアクティベーションを引き起こし、ノイズのある状況下での顔認識精度を著しく低下させる。本稿では,CNNに異なるレベルのノイズに頑健性を持たせるために,MeDiNet(Men Pixel Different Convolutional Network)を提案する。
論文参考訳（メタデータ） (2022-05-30T13:15:49Z)
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)
Self-Denoising Neural Networks for Few Shot Learning [66.38505903102373]
既存のニューラルアーキテクチャの複数の段階でノイズを追加すると同時に、この付加ノイズに対して堅牢であるように学習する新しいトレーニングスキームを提案する。このアーキテクチャは、SDNN(Self-Denoising Neural Network)と呼ばれ、現代の畳み込みニューラルネットワークに容易に適用できます。
論文参考訳（メタデータ） (2021-10-26T03:28:36Z)
Exploring ensembles and uncertainty minimization in denoising networks [0.522145960878624]
画素とチャネルに適切な重みを割り当てることに焦点を当てた2つの注意モジュールからなる融合モデルを提案する。実験の結果,本モデルでは,通常の事前学習型デノナイジングネットワークのベースライン上での性能が向上することが示された。
論文参考訳（メタデータ） (2021-01-24T20:48:18Z)
Image Denoising using Attention-Residual Convolutional Neural Networks [0.0]
本稿では,学習に基づく新たな非盲検手法であるAttention Residual Convolutional Neural Network (ARCNN)を提案し,その拡張としてFlexible Attention Residual Convolutional Neural Network (FARCNN)を提案する。 ARCNNはガウス語とポアソン語で約0.44dBと0.96dBの平均PSNR結果を達成し、FARCNNはARCNNに比べて若干パフォーマンスが悪くても非常に一貫した結果を示した。
論文参考訳（メタデータ） (2021-01-19T16:37:57Z)
Deep Universal Blind Image Denoising [26.77629755630694]
深層畳み込みニューラルネットワーク(cnns)は、大規模な合成データセットを組み込むことで、画像のノイズ化に大きな成功を収めている。ベイズ的視点に基づく両手法の利点を生かしたCNNに基づく手法を提案する。
論文参考訳（メタデータ） (2021-01-18T11:49:21Z)
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)
Enhancement of a CNN-Based Denoiser Based on Spatial and Spectral Analysis [23.11994688706024]
本稿では,複数のノイズで劣化した画像を1つのモデルで復元する離散ウェーブレットデノイズCNN(WDnCNN)を提案する。この問題に対処するために、周波数スペクトルの異なる部分から係数を正規化するバンド正規化モジュール(BNM)を提案する。提案したWDnCNNを評価し,他の最先端のデノイザと比較した。
論文参考訳（メタデータ） (2020-06-28T05:25:50Z)
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)
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。