論文の概要: Exploring Asymmetric Tunable Blind-Spots for Self-supervised Denoising in Real-World Scenarios

• arxiv url: http://arxiv.org/abs/2303.16783v1
• Date: Wed, 29 Mar 2023 15:19:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-30 14:14:07.820360
• Title: Exploring Asymmetric Tunable Blind-Spots for Self-supervised Denoising in Real-World Scenarios
• Title（参考訳）: 実世界シナリオにおける自己監督型デノナイジングのための非対称可変ブラインドスポットの探索
• Authors: Shiyan Chen, Jiyuan Zhang, Zhaofei Yu, and Tiejun Huang
• Abstract要約: 本稿では,これらの問題に対処する非対称Tunable Blind-Spot Network (AT-BSN)を提案する。 本研究では,局所的な空間的相関雑音を抑制するために,学習中に大きな盲点を用いて自由チューニング可能な盲点の大きさの盲点ネットワークを設計する。 また,盲点自己アンサンブルと非盲点ネットワークの蒸留を提案し,さらなる性能向上と計算複雑性の低減を図る。
• 参考スコア（独自算出の注目度）: 21.849565870895127
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-supervised denoising has attracted widespread attention due to its ability to train without clean images. However, noise in real-world scenarios is often spatially correlated, which causes many self-supervised algorithms based on the pixel-wise independent noise assumption to perform poorly on real-world images. Recently, asymmetric pixel-shuffle downsampling (AP) has been proposed to disrupt the spatial correlation of noise. However, downsampling introduces aliasing effects, and the post-processing to eliminate these effects can destroy the spatial structure and high-frequency details of the image, in addition to being time-consuming. In this paper, we systematically analyze downsampling-based methods and propose an Asymmetric Tunable Blind-Spot Network (AT-BSN) to address these issues. We design a blind-spot network with a freely tunable blind-spot size, using a large blind-spot during training to suppress local spatially correlated noise while minimizing damage to the global structure, and a small blind-spot during inference to minimize information loss. Moreover, we propose blind-spot self-ensemble and distillation of non-blind-spot network to further improve performance and reduce computational complexity. Experimental results demonstrate that our method achieves state-of-the-art results while comprehensively outperforming other self-supervised methods in terms of image texture maintaining, parameter count, computation cost, and inference time.
• Abstract（参考訳）: 自己監督型聴覚障害者は、クリーンなイメージなしで訓練できるため、広く注目を集めている。 しかし、実世界のシナリオにおけるノイズはしばしば空間的に相関しており、画素単位の独立なノイズ仮定に基づく多くの自己教師型アルゴリズムが実世界の画像に悪影響を及ぼす。 近年,ノイズの空間相関を乱すために非対称画素シャッフルダウンサンプリング(ap)が提案されている。 しかし、ダウンサンプリングはエイリアス効果をもたらし、これらの効果を除去するための後処理は、時間を要するだけでなく、画像の空間構造と高周波の詳細を破壊する。 本稿では,ダウンサンプリングに基づく手法を体系的に解析し,非対称可変ブラインドスポットネットワーク(at-bsn)を提案する。 学習中に大きなブラインドスポットを使用して,局所的な空間相関ノイズを抑制するとともに,グローバル構造への損傷を最小限に抑え,情報損失を最小限に抑えるために,自由に調整可能なブラインドスポットサイズを持つブラインドスポットネットワークを設計した。 さらに,非盲点ネットワークの自己アンサンブルと蒸留を提案し,性能の向上と計算複雑性の低減を図る。 実験により,画像テクスチャの維持,パラメータ数,計算コスト,推測時間といった点で,他の自己管理手法を総合的に上回りながら,最先端の手法が実現された。

関連論文リスト

• Low-Trace Adaptation of Zero-shot Self-supervised Blind Image Denoising [23.758547513866766]
  自己教師型学習と教師型学習のギャップを埋めるために,トレース制約損失関数と低トレース適応型ノイズ2ノイズ(LoTA-N2N)モデルを提案する。 本手法は,ゼロショット自己監督型画像復調手法の領域内での最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-19T02:47:33Z)
• 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)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• 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)
• Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
  本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。 事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。 識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
  論文  参考訳（メタデータ） (2022-07-19T14:35:42Z)
• AP-BSN: Self-Supervised Denoising for Real-World Images via Asymmetric PD and Blind-Spot Network [60.650035708621786]
  ブラインド・スポット・ネットワーク(BSN)とその変種は、自己監督型デノナイジングにおいて大きな進歩を遂げた。 自己教師付きBSNを用いて空間的に相関した実世界の雑音に対処することは困難である。 近年,実世界の雑音の空間的相関を取り除くために,画素シャッフルダウンサンプリング (PD) が提案されている。 本稿では,この問題に対処する非対称PD(AP)を提案する。
  論文  参考訳（メタデータ） (2022-03-22T15:04:37Z)
• Joint self-supervised blind denoising and noise estimation [0.0]
  2つのニューラルネットワークが共同でクリーンシグナルを予測し、ノイズ分布を推定する。 本モデルがノイズ分布を効率的に捉える合成ノイズデータを用いた実証実験を行います。
  論文  参考訳（メタデータ） (2021-02-16T08:37:47Z)
• 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)
• 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。