論文の概要: DCANet: Dual Convolutional Neural Network with Attention for Image Blind Denoising

• arxiv url: http://arxiv.org/abs/2304.01498v1
• Date: Tue, 4 Apr 2023 03:18:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-05 15:33:34.129202
• Title: DCANet: Dual Convolutional Neural Network with Attention for Image Blind Denoising
• Title（参考訳）: DCANet:イメージブラインドに注意を向けたデュアル畳み込みニューラルネットワーク
• Authors: Wencong Wu, Guannan Lv, Yingying Duan, Peng Liang, Yungang Zhang, Yuelong Xia
• Abstract要約: DCANetという名称の視覚障害者のための新しいデュアル畳み込みニューラルネットワーク(CNN)を提案する。 DCANetは、ノイズ推定ネットワーク、空間及びチャネルアテンションモジュール(SCAM)、二重構造CNNから構成される。 実験により,提案したDCANetは,合成ノイズと実雑音の両方を効果的に抑制できることを確認した。
• 参考スコア（独自算出の注目度）: 2.767339062369737
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Noise removal of images is an essential preprocessing procedure for many computer vision tasks. Currently, many denoising models based on deep neural networks can perform well in removing the noise with known distributions (i.e. the additive Gaussian white noise). However eliminating real noise is still a very challenging task, since real-world noise often does not simply follow one single type of distribution, and the noise may spatially vary. In this paper, we present a new dual convolutional neural network (CNN) with attention for image blind denoising, named as the DCANet. To the best of our knowledge, the proposed DCANet is the first work that integrates both the dual CNN and attention mechanism for image denoising. The DCANet is composed of a noise estimation network, a spatial and channel attention module (SCAM), and a CNN with a dual structure. The noise estimation network is utilized to estimate the spatial distribution and the noise level in an image. The noisy image and its estimated noise are combined as the input of the SCAM, and a dual CNN contains two different branches is designed to learn the complementary features to obtain the denoised image. The experimental results have verified that the proposed DCANet can suppress both synthetic and real noise effectively. The code of DCANet is available at https://github.com/WenCongWu/DCANet.
• Abstract（参考訳）: 画像のノイズ除去は多くのコンピュータビジョンタスクにおいて重要な前処理手順である。 現在、ディープニューラルネットワークに基づく多くの認知モデルは、既知の分布(すなわち加法的なガウスホワイトノイズ)でノイズを取り除くのによく機能する。 しかし、実際のノイズを除去することは依然として非常に難しい課題であり、現実のノイズは単に一つの種類の分布に従わず、空間的に異なる可能性がある。 本稿では,dcanet(dcanet)と呼ばれる画像ブラインドデノージングに注意を向けた,新しい二重畳み込みニューラルネットワーク(cnn)を提案する。 我々の知る限り、提案したDCANetは、デュアルCNNとアテンション機構を統合した最初の作品である。 dcanetは、ノイズ推定ネットワークと、空間的およびチャネル的注意モジュール(scam)と、二重構造を有するcnnとからなる。 ノイズ推定ネットワークを用いて画像内の空間分布と雑音レベルを推定する。 SCAMの入力として雑音画像とその推定ノイズを合成し、2つの異なる分岐を含む2つのCNNを相補的特徴を学習して復号化画像を得るように設計されている。 実験により,提案したDCANetは,合成ノイズと実雑音の両方を効果的に抑制できることを確認した。 DCANetのコードはhttps://github.com/WenCongWu/DCANetで公開されている。

関連論文リスト

• Two-stage Progressive Residual Dense Attention Network for Image Denoising [0.680228754562676]
  多くのディープCNNベースのdenoisingモデルは、より重要で有用な特徴に注意を払わずに、ノイズの多い画像の階層的特徴を同様に利用し、比較的低いパフォーマンスをもたらす。 本稿では,2つのサブタスクに分割してノイズを段階的に除去する2段階のプログレッシブ・レジデンシャル・アテンション・ネットワーク(TSP-RDANet)を設計する。 2つの異なるアテンション機構に基づくデノナイジングネットワークは、2つのシーケンシャルなサブタスクのために設計されている。
  論文  参考訳（メタデータ） (2024-01-05T14:31:20Z)
• A cross Transformer for image denoising [83.68175077524111]
  直列ブロック(SB)、並列ブロック(PB)、残留ブロック(RB)を備えたクロストランスフォーマー(CTNet)を提案する。 CTNetは、実画像や合成画像のデノナイジングにおいて、一般的なデノナイジング法よりも優れている。
  論文  参考訳（メタデータ） (2023-10-16T13:53:19Z)
• Image Blind Denoising Using Dual Convolutional Neural Network with Skip Connection [2.9689285167236603]
  我々は、スキップ接続(DCBDNet)を用いた新しい二重畳み込みブラインド復調ネットワークを提案する。 提案するDCBDNetは、雑音推定ネットワークと二重畳み込みニューラルネットワーク(CNN)から構成される。
  論文  参考訳（メタデータ） (2023-04-04T08:21:46Z)
• Multi-stage image denoising with the wavelet transform [125.2251438120701]
  深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。 動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
  論文  参考訳（メタデータ） (2022-09-26T03:28:23Z)
• 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)
• Disentangling Noise from Images: A Flow-Based Image Denoising Neural Network [25.008542061247383]
  本稿では,イメージデノベーションを分散学習と切り離しタスクとして扱うための新しい視点を提案する。 ノイズ画像分布は、クリーン画像とノイズの結合分布と見なすことができるので、潜在表現をクリーン表現に操作することにより、消音画像を得ることができる。 我々は、クリーンまたはノイズ分布のいずれかの仮定なしに、反転型消音ネットワーク、FDNを提示します。
  論文  参考訳（メタデータ） (2021-05-11T01:52:26Z)
• 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)
• Unpaired Learning of Deep Image Denoising [80.34135728841382]
  本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。 自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。 実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
  論文  参考訳（メタデータ） (2020-08-31T16:22:40Z)
• 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)

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。