論文の概要: Masked Image Training for Generalizable Deep Image Denoising

• arxiv url: http://arxiv.org/abs/2303.13132v1
• Date: Thu, 23 Mar 2023 09:33:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-24 14:54:29.609792
• Title: Masked Image Training for Generalizable Deep Image Denoising
• Title（参考訳）: 深部画像の一般化のためのマスク画像訓練
• Authors: Haoyu Chen, Jinjin Gu, Yihao Liu, Salma Abdel Magid, Chao Dong, Qiong Wang, Hanspeter Pfister, Lei Zhu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 53.03126421917465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When capturing and storing images, devices inevitably introduce noise. Reducing this noise is a critical task called image denoising. Deep learning has become the de facto method for image denoising, especially with the emergence of Transformer-based models that have achieved notable state-of-the-art results on various image tasks. However, deep learning-based methods often suffer from a lack of generalization ability. For example, deep models trained on Gaussian noise may perform poorly when tested on other noise distributions. To address this issue, we present a novel approach to enhance the generalization performance of denoising networks, known as masked training. Our method involves masking random pixels of the input image and reconstructing the missing information during training. We also mask out the features in the self-attention layers to avoid the impact of training-testing inconsistency. Our approach exhibits better generalization ability than other deep learning models and is directly applicable to real-world scenarios. Additionally, our interpretability analysis demonstrates the superiority of our method.
• Abstract（参考訳）: イメージをキャプチャして保存する場合、デバイスは必然的にノイズを発生させる。 このノイズを減らすことは、イメージデノイングと呼ばれる重要なタスクである。 深層学習は、特に様々な画像タスクにおける最先端の成果を達成したTransformerベースのモデルの出現によって、画像のデノナイズのためのデファクト手法となった。 しかし、ディープラーニングベースの手法は、しばしば一般化能力の欠如に苦しむ。 例えば、ガウス雑音で訓練された深いモデルは、他の雑音分布でテストした場合、性能が悪い可能性がある。 この問題に対処するために,マスクトレーニングとして知られるデノナイジングネットワークの一般化性能を高める新しい手法を提案する。 本手法では,入力画像のランダム画素をマスキングし,トレーニング中に欠落した情報を再構成する。 また、トレーニングテストの不整合の影響を避けるために、自己注意層の特徴を隠蔽します。 このアプローチは、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、現実世界のシナリオに直接適用できる。 さらに, 解釈可能性分析により, 提案手法の優越性を示す。

関連論文リスト

• Self-Calibrated Variance-Stabilizing Transformations for Real-World Image Denoising [19.08732222562782]
  教師付き深層学習が画像認知のための選択方法となっている。 一般の信条とは対照的に,ガウスノイズ除去に特化するネットワークを有効活用し,実世界の画像復調に有効であることを示す。
  論文  参考訳（メタデータ） (2024-07-24T16:23:46Z)
• Enhancing convolutional neural network generalizability via low-rank weight approximation [6.763245393373041]
  十分なノイズ処理は、画像処理にとって重要な第一歩であることが多い。 ディープニューラルネットワーク(DNN)は画像のノイズ化に広く利用されている。 本研究では,タッカー低ランクテンソル近似に基づく自己教師付き画像復調フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-26T14:11:05Z)
• IDR: Self-Supervised Image Denoising via Iterative Data Refinement [66.5510583957863]
  本稿では,最先端のデノナイジング性能を実現するために,教師なしの実用的なデノナイジング手法を提案する。 本手法では, 1つのノイズ画像と1つのノイズモデルしか必要とせず, 実際の生画像に容易にアクセス可能である。 実世界のアプリケーションにおける生画像復調性能を評価するため,500シーンのシーンを含む高品質な生画像データセットSenseNoise-500を構築した。
  論文  参考訳（メタデータ） (2021-11-29T07:22:53Z)
• Image Denoising Using the Geodesics' Gramian of the Manifold Underlying Patch-Space [1.7767466724342067]
  本稿では,正確な画像を生成することができる新しい,計算効率の良い画像復号法を提案する。 画像の滑らか性を維持するため、画素ではなく画像から分割されたパッチを入力する。 本稿では,この手法の性能をベンチマーク画像処理法に対して検証する。
  論文  参考訳（メタデータ） (2020-10-14T04:07:24Z)
• Improving Blind Spot Denoising for Microscopy [73.94017852757413]
  自己監督型認知の質を向上させる新しい方法を提案する。 我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
  論文  参考訳（メタデータ） (2020-08-19T13:06:24Z)
• 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)
• Restore from Restored: Single Image Denoising with Pseudo Clean Image [28.38369890008251]
  我々は「再保存型」と呼ばれるシンプルで効果的な微調整アルゴリズムを提案する。 提案手法は,最先端のデノナイジングネットワーク上で容易に利用することができる。
  論文  参考訳（メタデータ） (2020-03-09T17:35:31Z)
• 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。