論文の概要: Spatially Adaptive Self-Supervised Learning for Real-World Image Denoising

• arxiv url: http://arxiv.org/abs/2303.14934v1
• Date: Mon, 27 Mar 2023 06:18:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 16:45:12.419764
• Title: Spatially Adaptive Self-Supervised Learning for Real-World Image Denoising
• Title（参考訳）: 空間適応型自己監督学習による実世界の画像認識
• Authors: Junyi Li, Zhilu Zhang, Xiaoyu Liu, Chaoyu Feng, Xiaotao Wang, Lei Lei, Wangmeng Zuo
• Abstract要約: 本稿では,現実の sRGB 画像復号化の問題を解決するために,新しい視点を提案する。 ノイズの多い画像における平坦領域とテクスチャ領域のそれぞれの特徴を考慮し、それらを個別に管理する。 LAN自体がBNNの出力で管理されているのに対して,我々はその要件を満たすためのローカル・アウェア・ネットワーク(LAN)を提案する。
• 参考スコア（独自算出の注目度）: 73.71324390085714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Significant progress has been made in self-supervised image denoising (SSID) in the recent few years. However, most methods focus on dealing with spatially independent noise, and they have little practicality on real-world sRGB images with spatially correlated noise. Although pixel-shuffle downsampling has been suggested for breaking the noise correlation, it breaks the original information of images, which limits the denoising performance. In this paper, we propose a novel perspective to solve this problem, i.e., seeking for spatially adaptive supervision for real-world sRGB image denoising. Specifically, we take into account the respective characteristics of flat and textured regions in noisy images, and construct supervisions for them separately. For flat areas, the supervision can be safely derived from non-adjacent pixels, which are much far from the current pixel for excluding the influence of the noise-correlated ones. And we extend the blind-spot network to a blind-neighborhood network (BNN) for providing supervision on flat areas. For textured regions, the supervision has to be closely related to the content of adjacent pixels. And we present a locally aware network (LAN) to meet the requirement, while LAN itself is selectively supervised with the output of BNN. Combining these two supervisions, a denoising network (e.g., U-Net) can be well-trained. Extensive experiments show that our method performs favorably against state-of-the-art SSID methods on real-world sRGB photographs. The code is available at https://github.com/nagejacob/SpatiallyAdaptiveSSID.
• Abstract（参考訳）: 近年,ssid (self-supervised image denoising) が注目されている。 しかし、ほとんどの手法は空間的に独立なノイズを扱うことに重点を置いており、空間的に相関するノイズを持つ実世界のsRGB画像にはほとんど実用性がない。 ノイズ相関を壊すためにピクセルシャッフルダウンサンプリングが提案されているが、画像の元の情報を壊し、ノイズ除去性能を制限している。 本稿では,現実の sRGB 画像の空間適応的監視を求める,この問題を解決するための新しい視点を提案する。 具体的には,ノイズ画像における平坦領域とテクスチャ領域のそれぞれの特性を考慮に入れ,それらを別々に監督する。 平坦な領域では、ノイズ相関画素の影響を排除するため、現在の画素から遠く離れた非隣接画素から監視を安全に導出することができる。 そして、我々は、フラットエリアの監視を提供するために、盲点ネットワークを盲点ネットワーク(BNN)に拡張する。 テクスチャ領域では、監督は隣接するピクセルの内容と密接に関連しなければならない。 LAN自体がBNNの出力によって選択的に制御されるのに対して,我々はその要件を満たすためのローカル・アウェア・ネットワーク(LAN)を提案する。 これら2つの監督を組み合わせることで、デノイジングネットワーク(例えばu-net)をよく訓練することができる。 本手法は実世界のsrgb写真において最先端のssid法に好適な効果を示す。 コードはhttps://github.com/nagejacob/SpatiallyAdaptiveSSIDで公開されている。

関連論文リスト

• Random Sub-Samples Generation for Self-Supervised Real Image Denoising [9.459398471988724]
  我々は,Smpling Different As Perturbation (SDAP) という,自己監督型実画像記述フレームワークを提案する。 トレーニング画像に適切な摂動を加えることで,BSNの性能を効果的に向上できることがわかった。 その結果、実世界のデータセット上で、最先端の自己教師型デノベーション手法を著しく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-07-31T16:39:35Z)
• Self-supervised Image Denoising with Downsampled Invariance Loss and Conditional Blind-Spot Network [12.478287906337194]
  ほとんどの代表的自己監督型デノイザーは盲点ネットワークに基づいている。 標準的な盲点ネットワークは、ノイズの画素ワイド相関により、実際のカメラノイズを低減できない。 実雑音を除去できる新しい自己教師型トレ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） (2023-04-19T08:55:27Z)
• I2V: Towards Texture-Aware Self-Supervised Blind Denoising using Self-Residual Learning for Real-World Images [8.763680382529412]
  pixel-shuffle downsampling (PD) はノイズの空間的相関を排除するために提案されている。 テクスチャ情報を維持するために,PD処理を使わずに自己学習を提案する。 広汎な実験の結果,提案手法は最先端の自己監督型ブラインド・デノイング・アプローチよりも優れていた。
  論文  参考訳（メタデータ） (2023-02-21T08:51:17Z)
• Seeing Through The Noisy Dark: Toward Real-world Low-Light Image Enhancement and Denoising [125.56062454927755]
  現実の低照度環境は通常、光やハードウェアの限界が不足しているため、視界が低く、騒音が重い。 我々は、RLED-Net(Real-world Low-light Enhancement & Denoising Network)と呼ばれる新しいエンドツーエンド手法を提案する。
  論文  参考訳（メタデータ） (2022-10-02T14:57:23Z)
• Robust Deep Ensemble Method for Real-world Image Denoising [62.099271330458066]
  そこで本研究では,実世界の画像認識のための単純なベイズディープアンサンブル(BDE)手法を提案する。 我々のBDEは、最先端の復調法よりも+0.28dBPSNRのゲインを達成している。 我々のBDEは他の画像復元タスクにも拡張でき、ベンチマークデータセット上で+0.30dB、+0.18dB、+0.12dB PSNRゲインを達成することができる。
  論文  参考訳（メタデータ） (2022-06-08T06:19:30Z)
• Learning to Generate Realistic Noisy Images via Pixel-level Noise-aware Adversarial Training [50.018580462619425]
  我々は,PNGAN(Pixel-level Noise-aware Generative Adrial Network)という新しいフレームワークを提案する。 PNGANは、トレーニング済みのリアルデノイザーを使用して、フェイク画像とリアルノイズ画像をほぼノイズのないソリューション空間にマッピングする。 より優れたノイズフィッティングを実現するため,ジェネレータとしてSimple Multi-versa-scale Network (SMNet) を提案する。
  論文  参考訳（メタデータ） (2022-04-06T14:09:02Z)
• 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)
• 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)
• Spatial-Adaptive Network for Single Image Denoising [14.643663950015334]
  本稿では,効率的な単一画像ブラインドノイズ除去のための空間適応型雑音除去ネットワーク(SADNet)を提案する。 本手法は, 定量的かつ視覚的に, 最先端の復調法を超越することができる。
  論文  参考訳（メタデータ） (2020-01-28T12:24:17Z)

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。