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

• arxiv url: http://arxiv.org/abs/2303.16783v2
• Date: Thu, 11 Apr 2024 13:07:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-12 19:37:39.779213
• Title: Exploring Efficient Asymmetric 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効率的な非対称ブラインドスポット探索
• Authors: Shiyan Chen, Jiyuan Zhang, Zhaofei Yu, Tiejun Huang,
• Abstract要約: 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、多くの自己教師型アルゴリズムは性能が良くない。 盲点サイズを自由に調整できる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。 提案手法は最先端技術を実現し,計算オーバーヘッドや視覚効果の観点から,他の自己教師付きアルゴリズムよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 44.31657750561106
• 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 that assume pixel-wise independent noise to perform poorly. Recent works have attempted to break noise correlation with downsampling or neighborhood masking. However, denoising on downsampled subgraphs can lead to aliasing effects and loss of details due to a lower sampling rate. Furthermore, the neighborhood masking methods either come with high computational complexity or do not consider local spatial preservation during inference. Through the analysis of existing methods, we point out that the key to obtaining high-quality and texture-rich results in real-world self-supervised denoising tasks is to train at the original input resolution structure and use asymmetric operations during training and inference. Based on this, we propose Asymmetric Tunable Blind-Spot Network (AT-BSN), where the blind-spot size can be freely adjusted, thus better balancing noise correlation suppression and image local spatial destruction during training and inference. In addition, we regard the pre-trained AT-BSN as a meta-teacher network capable of generating various teacher networks by sampling different blind-spots. We propose a blind-spot based multi-teacher distillation strategy to distill a lightweight network, significantly improving performance. Experimental results on multiple datasets prove that our method achieves state-of-the-art, and is superior to other self-supervised algorithms in terms of computational overhead and visual effects.
• 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、多くの自己教師付きアルゴリズムが画素単位の独立ノイズを劣化させると仮定する。 最近の研究は、ダウンサンプリングや近隣マスキングによるノイズ相関を破ろうとしている。 しかし, サンプリングレートの低下により, サブグラフのノイズ化は, エイリアス効果や詳細の喪失につながる可能性がある。 さらに、近隣マスキング手法は計算複雑性が高いか、あるいは推論中の局所的な空間保存を考慮していない。 既存の手法の分析を通じて,実世界の自己監督型認知タスクにおいて,高品質でテクスチャに富んだ結果を得るための鍵は,元の入力解像度構造をトレーニングし,トレーニングや推論において非対称な操作を使用することである,と指摘する。 そこで本研究では,非対称可変Blind-Spot Network (AT-BSN) を提案する。 さらに、事前学習したAT-BSNは、異なる盲点をサンプリングすることで、様々な教師ネットワークを生成できるメタ教師ネットワークであると考えている。 我々は,軽量ネットワークを蒸留し,性能を著しく向上させる,盲点型マルチティーチンガー蒸留法を提案する。 複数のデータセットに対する実験結果から,本手法は最先端の手法であり,計算オーバーヘッドや視覚効果の点で,他の自己教師付きアルゴリズムよりも優れていることが示された。

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。