論文の概要: Self-Supervised Image Denoising for Real-World Images with Context-aware Transformer

• arxiv url: http://arxiv.org/abs/2304.01627v1
• Date: Tue, 4 Apr 2023 08:30:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-05 14:36:04.762045
• Title: Self-Supervised Image Denoising for Real-World Images with Context-aware Transformer
• Title（参考訳）: 文脈対応変換器を用いた実世界画像の自己監督画像デノーミング
• Authors: Dan Zhang, Fangfang Zhou
• Abstract要約: 実世界の画像デノイングのための新しいデノワーズ変換器を提案する。 主に、CADT(Context-aware Denoise Transformer)ユニットとSNE(セカンダリノイズエクストラクタ)ブロックで構築されている。 実世界のSIDDベンチマークの実験はPSNR/SSIMの50.62/0.990を達成している。
• 参考スコア（独自算出の注目度）: 3.767629593484917
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, the development of deep learning has been pushing image denoising to a new level. Among them, self-supervised denoising is increasingly popular because it does not require any prior knowledge. Most of the existing self-supervised methods are based on convolutional neural networks (CNN), which are restricted by the locality of the receptive field and would cause color shifts or textures loss. In this paper, we propose a novel Denoise Transformer for real-world image denoising, which is mainly constructed with Context-aware Denoise Transformer (CADT) units and Secondary Noise Extractor (SNE) block. CADT is designed as a dual-branch structure, where the global branch uses a window-based Transformer encoder to extract the global information, while the local branch focuses on the extraction of local features with small receptive field. By incorporating CADT as basic components, we build a hierarchical network to directly learn the noise distribution information through residual learning and obtain the first stage denoised output. Then, we design SNE in low computation for secondary global noise extraction. Finally the blind spots are collected from the Denoise Transformer output and reconstructed, forming the final denoised image. Extensive experiments on the real-world SIDD benchmark achieve 50.62/0.990 for PSNR/SSIM, which is competitive with the current state-of-the-art method and only 0.17/0.001 lower. Visual comparisons on public sRGB, Raw-RGB and greyscale datasets prove that our proposed Denoise Transformer has a competitive performance, especially on blurred textures and low-light images, without using additional knowledge, e.g., noise level or noise type, regarding the underlying unknown noise.
• Abstract（参考訳）: 近年、ディープラーニングの開発により、画像のノイズ化が新たなレベルへと押し上げられている。 その中でも,事前の知識を必要とせず,自己監督的な談話が普及している。 既存の自己教師型手法のほとんどは畳み込みニューラルネットワーク(CNN)に基づいており、受容野の局所性によって制限され、色の変化やテクスチャの喪失を引き起こす。 本稿では,CADT(Context-aware Denoise Transformer)ユニットとSNE(セカンダリノイズエクストラクタ)ブロックで構築された実世界のデノナイズのための新しいデノナイズ変換器を提案する。 cadtはデュアルブランチ構造として設計されており、グローバルブランチはウィンドウベースのトランスフォーマエンコーダを使用してグローバル情報を抽出する。 基本成分としてCADTを組み込んで階層ネットワークを構築し,残差学習を通じて雑音分布情報を直接学習し,第1段階の認知出力を得る。 次に,2次大域雑音抽出のための低演算量SNEを設計する。 最後に、デノーズ変圧器出力からブラインドスポットを収集して再構成し、最終的なデノーズ画像を形成する。 実世界のSIDDベンチマークにおける大規模な実験は、PSNR/SSIMの50.62/0.990を達成している。 公共のsRGB,Raw-RGB,グレースケールのデータセットの視覚的比較により,提案したDenoise Transformerは,特にぼやけたテクスチャや低照度画像において,基礎となる未知の雑音に関する付加的な知識を使わずに,競合性能を有することが示された。

関連論文リスト

• 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)
• Degradation-Noise-Aware Deep Unfolding Transformer for Hyperspectral Image Denoising [9.119226249676501]
  ハイパースペクトル画像(HSI)は、帯域幅が狭いため、ノイズが多いことが多い。 HSIデータキューブのノイズを低減するため、モデル駆動型と学習型の両方の復調アルゴリズムが提案されている。 本稿では,これらの問題に対処するDNA-Net(Degradation-Noise-Aware Unfolding Network)を提案する。
  論文  参考訳（メタデータ） (2023-05-06T13:28:20Z)
• 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)
• 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)
• Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
  暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。 提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-05T12:46:36Z)
• 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)
• 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)
• 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。