論文の概要: Cloud K-SVD for Image Denoising

• arxiv url: http://arxiv.org/abs/2303.00755v1
• Date: Wed, 1 Mar 2023 15:44:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-03 17:14:24.436948
• Title: Cloud K-SVD for Image Denoising
• Title（参考訳）: 画像デノイングのためのクラウドK-SVD
• Authors: Christian Marius Lillelund, Henrik Bagger Jensen, Christian Fischer Pedersen
• Abstract要約: Cloud K-SVDは、複数のノードでトレーニングできる辞書学習アルゴリズムである。 我々は、Cloud K-SVDが画像の概略を復元し、ベンチマークグレースケール画像から定量量のノイズを除去できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cloud K-SVD is a dictionary learning algorithm that can train at multiple nodes and hereby produce a mutual dictionary to represent low-dimensional geometric structures in image data. We present a novel application of the algorithm as we use it to recover both noiseless and noisy images from overlapping patches. We implement a node network in Kubernetes using Docker containers to facilitate Cloud K-SVD. Results show that Cloud K-SVD can recover images approximately and remove quantifiable amounts of noise from benchmark gray-scaled images without sacrificing accuracy in recovery; we achieve an SSIM index of 0.88, 0.91 and 0.95 between clean and recovered images for noise levels ($\mu$ = 0, $\sigma^{2}$ = 0.01, 0.005, 0.001), respectively, which is similar to SOTA in the field. Cloud K-SVD is evidently able to learn a mutual dictionary across multiple nodes and remove AWGN from images. The mutual dictionary can be used to recover a specific image at any of the nodes in the network.
• Abstract（参考訳）: Cloud K-SVDは、複数のノードでトレーニングできる辞書学習アルゴリズムであり、画像データ内の低次元幾何学構造を表現するための相互辞書を生成する。 本稿では,重複するパッチから無ノイズ画像と無ノイズ画像の両方を復元するアルゴリズムの新たな応用法を提案する。 Cloud K-SVDを促進するために,Dockerコンテナを使用したKubernetesのノードネットワークを実装しています。 以上の結果から,Cloud K-SVD は,画像の回復精度を犠牲にすることなく,ベンチマークグレースケール画像から定量量のノイズを除去し,ノイズレベルの清浄画像(\mu$ = 0, $\sigma^{2}$ = 0.01, 0.005, 0.001)間のSSIM指数 0.88, 0.91, 0.95 を得ることができた。 クラウドK-SVDは明らかに複数のノードにわたる相互辞書を学習し、画像からAWGNを取り除くことができる。 相互辞書は、ネットワーク内のどのノードでも特定の画像を復元するために使用することができる。

関連論文リスト

• Image Understanding Makes for A Good Tokenizer for Image Generation [62.875788091204626]
  我々は,トークンシーケンスにイメージを投影する効果的なトークン化器に依存する,トークンベースのIGフレームワークを提案する。 我々は、強力なIU機能を持つトークン化装置が、さまざまなメトリクス、データセット、タスク、提案ネットワークで優れたIG性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-11-07T03:55:23Z)
• ADS: Approximate Densest Subgraph for Novel Image Discovery [1.7839986996686323]
  本稿では,新しい画像発見のための高速かつトレーニング不要なアルゴリズムを提案する。 我々のアルゴリズムの鍵は、画像の集合を距離重み付きグラフとして定式化することであり、その中で我々の仕事はK-デンストグラフを見つけることである。 より正確な画像のマイニングが可能でありながら、メモリフットプリントを小さくして実行する方がはるかに高速であることを示す。
  論文  参考訳（メタデータ） (2024-02-13T19:27:34Z)
• Picking Up Quantization Steps for Compressed Image Classification [41.065275887759945]
  圧縮された画像に対するディープニューラルネットワークの感度を低下させるために、圧縮されたファイルに格納された使い捨てのコーディングパラメータを無視して取り出すことができると主張している。 具体的には、画像の分類を容易にするために、代表的なパラメータの1つ、量子化ステップを使用する。 提案手法は, CIFAR-10, CIFAR-100, ImageNetの分類ネットワークの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-04-21T02:56:13Z)
• STAIR: Learning Sparse Text and Image Representation in Grounded Tokens [84.14528645941128]
  疎結合なセマンティック表現を構築することは、密度の高いプレゼンテーションと同程度、あるいはそれ以上に強力であることを示す。 CLIPモデルを拡張してスパーステキストと画像表現(STAIR)を構築し、画像とテキストをスパーストークン空間にマッピングする。 CLIPモデルでは、+4.9%$と+4.3%$絶対リコール@1の改善で大幅にパフォーマンスが向上した。
  論文  参考訳（メタデータ） (2023-01-30T17:21:30Z)
• Considering Image Information and Self-similarity: A Compositional Denoising Network [0.0]
  本稿では,画像情報経路 (IIP) と雑音推定経路 (NEP) の2つの問題を解く構成記述ネットワーク (CDN) を提案する。 実験により、CDNは合成および実世界の画像の復調において最先端の結果を達成することが示された。
  論文  参考訳（メタデータ） (2022-09-14T05:05:08Z)
• Neural Implicit Dictionary via Mixture-of-Expert Training [111.08941206369508]
  ニューラルインシシット辞書(NID)を学習することで、データとトレーニング効率の両方を達成する汎用INRフレームワークを提案する。 我々のNIDは、所望の関数空間にまたがるように調整された座標ベースのImpworksのグループを組み立てる。 実験の結果,NIDは最大98%の入力データで2次元画像や3次元シーンの再現を2桁高速化できることがわかった。
  論文  参考訳（メタデータ） (2022-07-08T05:07:19Z)
• An unsupervised deep learning framework for medical image denoising [0.0]
  本稿では,利用可能な画像からノイズ特性を学習する非監視医療画像消音技術について紹介する。 ノイズを直接学習するノイズと残留学習(RL)を間接的に学習する2ブロックのデータ処理、viz.、パッチベースの辞書で構成されている。 MRI/CTデータセットの実験はGPUベースのスーパーコンピュータ上で行われ、比較結果は、提案アルゴリズムが画像の臨界情報を保存し、画像の視覚的品質を向上することを示している。
  論文  参考訳（メタデータ） (2021-03-11T10:03:02Z)
• Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
  この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。 画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。 特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
  論文  参考訳（メタデータ） (2020-12-09T12:40:13Z)
• Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
  逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。 少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。 我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
  論文  参考訳（メタデータ） (2020-06-18T00:55:10Z)
• SCAN: Learning to Classify Images without Labels [73.69513783788622]
  機能学習とクラスタリングを分離する2段階のアプローチを提唱する。 表現学習からの自己教師型タスクを用いて意味論的意味のある特徴を得る。 我々は、ImageNet上で有望な結果を得、低データ体制下では、いくつかの半教師付き学習方法より優れています。
  論文  参考訳（メタデータ） (2020-05-25T18:12:33Z)

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。