論文の概要: Pixel-wise Guidance for Utilizing Auxiliary Features in Monte Carlo Denoising

• arxiv url: http://arxiv.org/abs/2304.04967v1
• Date: Tue, 11 Apr 2023 04:26:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-12 16:19:14.840188
• Title: Pixel-wise Guidance for Utilizing Auxiliary Features in Monte Carlo Denoising
• Title（参考訳）: モンテカルロ雑音化における補助的特徴を利用した画素分割指導
• Authors: Kyu Beom Han, Olivia G. Odenthal, Woo Jae Kim, Sung-Eui Yoon
• Abstract要約: 近年のアプローチでは、モンテカルロ・デノゲーションの補助的特徴を活用することを暗黙的に学んでいる。 本稿では,補助的特徴を活用するために,明示的な画素単位のガイダンスに依存するデノベーションフレームワークを提案する。 GバッファとPバッファを併用したベースラインデノナイジングモデルと比較して,デノナイジング性能は著しく向上した。
• 参考スコア（独自算出の注目度）: 18.975320671203132
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Auxiliary features such as geometric buffers (G-buffers) and path descriptors (P-buffers) have been shown to significantly improve Monte Carlo (MC) denoising. However, recent approaches implicitly learn to exploit auxiliary features for denoising, which could lead to insufficient utilization of each type of auxiliary features. To overcome such an issue, we propose a denoising framework that relies on an explicit pixel-wise guidance for utilizing auxiliary features. First, we train two denoisers, each trained by a different auxiliary feature (i.e., G-buffers or P-buffers). Then we design our ensembling network to obtain per-pixel ensembling weight maps, which represent pixel-wise guidance for which auxiliary feature should be dominant at reconstructing each individual pixel and use them to ensemble the two denoised results of our denosiers. We also propagate our pixel-wise guidance to the denoisers by jointly training the denoisers and the ensembling network, further guiding the denoisers to focus on regions where G-buffers or P-buffers are relatively important for denoising. Our result and show considerable improvement in denoising performance compared to the baseline denoising model using both G-buffers and P-buffers.
• Abstract（参考訳）: 幾何バッファ(Gバッファ)やパスディスクリプタ(Pバッファ)のような補助的特徴はモンテカルロ(MC)の認知を著しく改善することが示されている。 しかし,近年のアプローチでは,補助的特徴の活用が暗黙的に学習されているため,補助的特徴の活用が不十分な場合がある。 このような問題を克服するために,補助的特徴を活用するために,明示的な画素単位のガイダンスに依存するデノイングフレームワークを提案する。 まず、2つのデノイザーを訓練し、それぞれ異なる補助的特徴(GバッファまたはPバッファ)で訓練する。 そこで我々は,各画素の再構成において補助的特徴が支配される画素単位の重みマップを設計し,それを用いてデノシエの2つの識別結果をアンサンブルする。 また,ディノワザーとアンサンブルネットワークを共同で訓練し,ディノワザーにGバッファやPバッファが比較的重要となる領域に焦点を合わせることで,ディノワザーに対するピクセルワイドガイダンスを広める。 その結果,gバッファとpバッファを併用したベースライン雑音化モデルと比較して,ノイズ除去性能が大幅に向上した。

関連論文リスト

• Pan-denoising: Guided Hyperspectral Image Denoising via Weighted Represent Coefficient Total Variation [20.240211073097758]
  本稿では,高スペクトル画像(HSI)デノナイズのための新しいパラダイムを紹介し,これをテクスタイトパンデノナイズと呼ぶ。 パンクロマトニック(PAN)画像は、HSIと同様の構造やテクスチャを撮影するが、ノイズが少ないため、パンデノイングは従来のHSI復調法の内部情報モデリング以上の基盤構造や詳細を明らかにする可能性を秘めている。 合成および実世界のデータセットの実験では、PWRCTVはメトリクスと視覚的品質の点でいくつかの最先端の手法より優れていることが示されている。
  論文  参考訳（メタデータ） (2024-07-08T16:05:56Z)
• 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)
• CurvPnP: Plug-and-play Blind Image Restoration with Deep Curvature Denoiser [7.442030347967277]
  既存のプラグアンドプレイ画像復元法は、非盲検に設計されている。 本稿では,より複雑な画像復元問題に対処できる,視覚障害者のための新しい枠組みを提案する。 本モデルでは,ノイズレベルが異なる場合でも,微細な構造を再現できることが示されている。
  論文  参考訳（メタデータ） (2022-11-14T11:30:24Z)
• 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)
• 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)
• 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)
• Synergy Between Semantic Segmentation and Image Denoising via Alternate Boosting [102.19116213923614]
  ノイズ除去とセグメンテーションを交互に行うためのブーストネットワークを提案する。 我々は,ノイズによるセグメンテーション精度の低下に対処するだけでなく,画素別意味情報によってデノージング能力が向上することを示す。 実験の結果,デノイド画像の品質が大幅に向上し,セグメンテーション精度がクリーン画像に近いことを示した。
  論文  参考訳（メタデータ） (2021-02-24T06:48:45Z)
• Learning Spatial and Spatio-Temporal Pixel Aggregations for Image and Video Denoising [104.59305271099967]
  ピクセル集計ネットワークを提示し、画像デノイジングのためのピクセルサンプリングと平均戦略を学びます。 時間空間にまたがるサンプル画素をビデオデノナイズするための画素集約ネットワークを開発した。 本手法は,動的シーンにおける大きな動きに起因する誤認問題を解決することができる。
  論文  参考訳（メタデータ） (2021-01-26T13:00:46Z)
• Towards Boosting the Channel Attention in Real Image Denoising : Sub-band Pyramid Attention [3.264560291660082]
  本稿では,ウェーブレットサブバンドピラミッドをベースとした新しいサブバンドピラミッドアテンション(SPA)を提案し,抽出した特徴の周波数成分を再検討する。 実画像デノイジング用に設計されたネットワーク上にSPAブロックを装備します。 実験の結果,提案手法は顕著な改善が得られた。
  論文  参考訳（メタデータ） (2020-12-23T04:28:33Z)

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。