論文の概要: Contrastive Learning for Low-light Raw Denoising

• arxiv url: http://arxiv.org/abs/2305.03352v1
• Date: Fri, 5 May 2023 08:13:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-08 14:48:16.728878
• Title: Contrastive Learning for Low-light Raw Denoising
• Title（参考訳）: 低照度生雑音化のためのコントラスト学習
• Authors: Taoyong Cui, Yuhan Dong
• Abstract要約: ノイズの多い画像やクリーンな画像の情報を活用するために,新たにDCR(Denoising contrast regularization)を導入する。 特徴空間では、DCRはクリーンな画像に近づき、ノイズの多い画像から遠く離れている。 さらに、我々はWnetと呼ばれる機能埋め込みネットワークを構築し、このネットワークは高周波情報を抽出するのにより効果的である。
• 参考スコア（独自算出の注目度）: 2.929093799984392
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image/video denoising in low-light scenes is an extremely challenging problem due to limited photon count and high noise. In this paper, we propose a novel approach with contrastive learning to address this issue. Inspired by the success of contrastive learning used in some high-level computer vision tasks, we bring in this idea to the low-level denoising task. In order to achieve this goal, we introduce a new denoising contrastive regularization (DCR) to exploit the information of noisy images and clean images. In the feature space, DCR makes the denoised image closer to the clean image and far away from the noisy image. In addition, we build a new feature embedding network called Wnet, which is more effective to extract high-frequency information. We conduct the experiments on a real low-light dataset that captures still images taken on a moonless clear night in 0.6 millilux and videos under starlight (no moon present, <0.001 lux). The results show that our method can achieve a higher PSNR and better visual quality compared with existing methods
• Abstract（参考訳）: 光子数と高ノイズが限られているため、低光度シーンでの映像/動画のデノージングは極めて難しい問題である。 本稿では,この問題に対処するために,コントラスト学習を用いた新しいアプローチを提案する。 高レベルのコンピュータビジョンタスクで使用されるコントラスト学習の成功に触発されて、我々はこのアイデアを低レベルの認知タスクに持ち込みます。 この目的を達成するために,ノイズの多い画像やクリーンな画像の情報を活用するために,新たにDCR(Denoising contrastive regularization)を導入する。 特徴空間において、dcrは分断された画像をクリーンな画像に近づけ、ノイズの多い画像から遠く離れさせる。 さらに,高頻度情報抽出に有効なwnetと呼ばれる新機能組込みネットワークを構築した。 月のない晴れた夜に撮影された静止画像を0.6ミリルクスで撮影し、starlight (no moon present, <0.001 lux) の下で動画を撮影する。 その結果,既存の手法と比較してPSNRが向上し,視覚品質が向上することが示唆された。

関連論文リスト

• Image Denoising via Style Disentanglement [9.38519460509602]
  そこで本稿では,鮮明な復調機構と優れた性能を兼ね備えた画像復調手法を提案する。 我々はノイズをイメージスタイルの一種とみなし、クリーンな画像から派生したノイズフリーなスタイルを取り入れて除去する。 合成ノイズ除去と実世界の画像デノゲーションデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-09-26T08:29:33Z)
• 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 Denoising via Low-rank Tensor Approximated Convolutional Neural Network [2.2720758067273197]
  十分なノイズ処理は、画像処理にとって重要な第一歩であることが多い。 ディープニューラルネットワーク(DNN)は画像のノイズ化に広く利用されている。 本研究では,タッカー低ランクテンソル近似に基づく自己教師付き画像復調フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-26T14:11:05Z)
• IDR: Self-Supervised Image Denoising via Iterative Data Refinement [66.5510583957863]
  本稿では,最先端のデノナイジング性能を実現するために,教師なしの実用的なデノナイジング手法を提案する。 本手法では, 1つのノイズ画像と1つのノイズモデルしか必要とせず, 実際の生画像に容易にアクセス可能である。 実世界のアプリケーションにおける生画像復調性能を評価するため,500シーンのシーンを含む高品質な生画像データセットSenseNoise-500を構築した。
  論文  参考訳（メタデータ） (2021-11-29T07:22:53Z)
• Adaptive Unfolding Total Variation Network for Low-Light Image Enhancement [6.531546527140475]
  sRGB空間における既存の拡張アルゴリズムのほとんどは、低可視性問題にのみ焦点をあてるか、仮説的雑音レベルの下でノイズを抑圧する。 本稿では,実際のsRGB低照度画像から雑音レベルを近似する適応展開全変動ネットワーク(UTVNet)を提案する。 実世界の低照度画像に対する実験は、最先端の手法よりもUTVNetの優れた性能を明らかに示している。
  論文  参考訳（メタデータ） (2021-10-03T11:22:17Z)
• Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
  CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。 実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。 我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
  論文  参考訳（メタデータ） (2021-08-04T16:36:29Z)
• Improving Blind Spot Denoising for Microscopy [73.94017852757413]
  自己監督型認知の質を向上させる新しい方法を提案する。 我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
  論文  参考訳（メタデータ） (2020-08-19T13:06:24Z)
• Deep Bilateral Retinex for Low-Light Image Enhancement [96.15991198417552]
  低照度画像は、低コントラスト、色歪み、測定ノイズによる視界の低下に悩まされる。 本稿では,低照度画像強調のための深層学習手法を提案する。 提案手法は最先端の手法と非常に競合し, 極めて低照度で撮影した画像の処理において, 他に比べて大きな優位性を有する。
  論文  参考訳（メタデータ） (2020-07-04T06:26:44Z)
• Unsupervised Low-light Image Enhancement with Decoupled Networks [103.74355338972123]
  我々は、実世界の低照度画像を教師なしで拡張する2段階のGANベースのフレームワークを学習する。 提案手法は,照度向上と雑音低減の両面から,最先端の教師なし画像強調法より優れる。
  論文  参考訳（メタデータ） (2020-05-06T13:37:08Z)

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。