論文の概要: Image Blind Denoising Using Dual Convolutional Neural Network with Skip
Connection
- arxiv url: http://arxiv.org/abs/2304.01620v1
- Date: Tue, 4 Apr 2023 08:21:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 14:34:54.138916
- Title: Image Blind Denoising Using Dual Convolutional Neural Network with Skip
Connection
- Title（参考訳）: スキップ接続を用いた2重畳み込みニューラルネットワークを用いた画像ブラインドデノイジング
- Authors: Wencong Wu, Shicheng Liao, Guannan Lv, Peng Liang, Yungang Zhang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.9689285167236603
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, deep convolutional neural networks have shown fascinating
performance in the field of image denoising. However, deeper network
architectures are often accompanied with large numbers of model parameters,
leading to high training cost and long inference time, which limits their
application in practical denoising tasks. In this paper, we propose a novel
dual convolutional blind denoising network with skip connection (DCBDNet),
which is able to achieve a desirable balance between the denoising effect and
network complexity. The proposed DCBDNet consists of a noise estimation network
and a dual convolutional neural network (CNN). The noise estimation network is
used to estimate the noise level map, which improves the flexibility of the
proposed model. The dual CNN contains two branches: a u-shaped sub-network is
designed for the upper branch, and the lower branch is composed of the dilated
convolution layers. Skip connections between layers are utilized in both the
upper and lower branches. The proposed DCBDNet was evaluated on several
synthetic and real-world image denoising benchmark datasets. Experimental
results have demonstrated that the proposed DCBDNet can effectively remove
gaussian noise in a wide range of levels, spatially variant noise and real
noise. With a simple model structure, our proposed DCBDNet still can obtain
competitive denoising performance compared to the state-of-the-art image
denoising models containing complex architectures. Namely, a favorable
trade-off between denoising performance and model complexity is achieved. Codes
are available at https://github.com/WenCongWu/DCBDNet.
- Abstract（参考訳）: 近年、深層畳み込みニューラルネットワークは画像デノイングの分野で魅力的な性能を示している。
しかし、より深いネットワークアーキテクチャには多数のモデルパラメータが伴うことが多く、訓練コストが高く、推論時間が長くなるため、現実的な記述タスクでの応用が制限される。
そこで,本論文では,提案手法を用いた2重畳み込みブラインドデノジングネットワークとスキップ接続(dcbdnet)を提案し,デノジング効果とネットワーク複雑性のバランスを良好に両立させる。
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。
ノイズ推定ネットワークを用いてノイズレベルマップを推定し,提案したモデルの柔軟性を向上させる。
二重cnnは2つの枝を含む:u字型サブネットワークは上枝用に設計され、下枝は拡張畳み込み層から構成されている。
レイヤ間のスキップ接続は、上下のブランチの両方で利用される。
提案したDCBDNetは、いくつかの合成および実世界の画像復号化ベンチマークデータセットで評価された。
実験の結果,提案したDCBDNetはガウス雑音,空間変動雑音,実雑音を効果的に除去できることがわかった。
単純なモデル構造により,提案するdcbdnetは,複雑なアーキテクチャを含む最先端の画像デノイジングモデルと比較して,依然として競争力のあるデノイジング性能を得ることができる。
すなわち、特徴付け性能とモデルの複雑さとの良好なトレードオフが達成される。
コードはhttps://github.com/WenCongWu/DCBDNetで入手できる。
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) - Evaluating Similitude and Robustness of Deep Image Denoising Models via
Adversarial Attack [60.40356882897116]
ディープニューラルネットワーク(DNN)は、従来の画像復調アルゴリズムよりも優れたパフォーマンスを示している。
本稿では,現在のディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディナイジング・PGD(Denoising-PGD)と名づけられた敵攻撃手法を提案する。
論文 参考訳（メタデータ） (2023-06-28T09:30:59Z) - Dual Residual Attention Network for Image Denoising [19.978731146465822]
画像復調において、深部畳み込みニューラルネットワーク(CNN)は、空間不変ノイズの除去に好適な性能を得ることができる。
本稿では,画像認識のための新しいDual-branch Residual Attention Network(DRANet)を提案する。
我々のDRANetは、合成ノイズ除去と実世界のノイズ除去の両方で競合するノイズ除去性能を得ることができる。
論文 参考訳（メタデータ） (2023-05-07T13:11:55Z) - 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) - Thunder: Thumbnail based Fast Lightweight Image Denoising Network [92.9631117239565]
textbfThumbtextbfnail ベースの textbfDtextbfenoising Netwotextbfrk called Thunder が提案されている。
論文 参考訳（メタデータ） (2022-05-24T06:38:46Z) - Unsupervised Denoising of Optical Coherence Tomography Images with
Dual_Merged CycleWGAN [3.3909577600092122]
そこで我々は,網膜CT画像復調のためのDual-Merged Cycle-WGANと呼ばれる新しいサイクル一貫性生成適応ネットを提案する。
本モデルでは,2つのCycle-GANネットワークとデクリミネータとワッセルシュタイン損失を併用して,優れたトレーニング安定性と性能を実現する。
論文 参考訳（メタデータ） (2022-05-02T07:38:19Z) - Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。
トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。
AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
論文 参考訳（メタデータ） (2022-03-24T18:11:31Z) - Dynamic Slimmable Denoising Network [64.77565006158895]
DDSNet(Dynamic Slimmable Denoising Network)は、計算量が少なくて優れたDenoising品質を実現するための一般的な手法である。
OurNetには動的ゲートによる動的推論の能力が備わっている。
我々の実験は、最先端の個別に訓練された静的 denoising ネットワークよりも一貫して優れています。
論文 参考訳（メタデータ） (2021-10-17T22:45:33Z) - 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)
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。