論文の概要: Dual Residual Attention Network for Image Denoising

• arxiv url: http://arxiv.org/abs/2305.04269v1
• Date: Sun, 7 May 2023 13:11:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-09 16:41:31.293127
• Title: Dual Residual Attention Network for Image Denoising
• Title（参考訳）: 画像デノイジングのための2重残留注意ネットワーク
• Authors: Wencong Wu, Shijie Liu, Yi Zhou, Yungang Zhang, Yu Xiang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 19.978731146465822
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In image denoising, deep convolutional neural networks (CNNs) can obtain favorable performance on removing spatially invariant noise. However, many of these networks cannot perform well on removing the real noise (i.e. spatially variant noise) generated during image acquisition or transmission, which severely sets back their application in practical image denoising tasks. Instead of continuously increasing the network depth, many researchers have revealed that expanding the width of networks can also be a useful way to improve model performance. It also has been verified that feature filtering can promote the learning ability of the models. Therefore, in this paper, we propose a novel Dual-branch Residual Attention Network (DRANet) for image denoising, which has both the merits of a wide model architecture and attention-guided feature learning. The proposed DRANet includes two different parallel branches, which can capture complementary features to enhance the learning ability of the model. We designed a new residual attention block (RAB) and a novel hybrid dilated residual attention block (HDRAB) for the upper and the lower branches, respectively. The RAB and HDRAB can capture rich local features through multiple skip connections between different convolutional layers, and the unimportant features are dropped by the residual attention modules. Meanwhile, the long skip connections in each branch, and the global feature fusion between the two parallel branches can capture the global features as well. Moreover, the proposed DRANet uses downsampling operations and dilated convolutions to increase the size of the receptive field, which can enable DRANet to capture more image context information. Extensive experiments demonstrate that compared with other state-of-the-art denoising methods, our DRANet can produce competitive denoising performance both on synthetic and real-world noise removal.
• Abstract（参考訳）: 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。 しかし、これらのネットワークの多くは、画像取得や送信時に発生する実際のノイズ(つまり空間的変動ノイズ)を除去することにはうまく対応できない。 ネットワークの深さを継続的に増やす代わりに、多くの研究者は、ネットワークの幅を広げることはモデルの性能を向上させる有用な方法であることを明らかにした。 また、機能フィルタリングがモデルの学習能力を促進できることも確認されている。 そこで本稿では,広義のモデルアーキテクチャと注意誘導型特徴学習の両面でのメリットを有する画像復調のための新しいDual-branch Residual Attention Network(DRANet)を提案する。 提案したDRANetには2つの異なる並列ブランチがあり、モデルの学習能力を高めるために補完的な特徴を捉えることができる。 我々は,新しい残差注意ブロック (rab) と新しいハイブリッド拡張残差注意ブロック (hdrab) を設計した。 RABとHDRABは、異なる畳み込み層間の複数のスキップ接続を通じてリッチなローカル特徴をキャプチャすることができ、重要でない特徴は、残留注意モジュールによって減少する。 一方、各ブランチの長いスキップ接続と、2つの並列ブランチ間のグローバル機能融合は、グローバル機能もキャプチャできる。 さらに,提案するdranetでは,ダウンサンプリング操作と拡張畳み込みを使用して受容フィールドのサイズを増加させることにより,画像コンテキスト情報の取得が容易になる。 広範な実験により, ドレーネットは他の最先端の雑音除去手法と比較して, 合成と実世界のノイズ除去の両方において, 競合的な雑音除去性能が得られることを示した。

関連論文リスト

• Hybrid Convolutional and Attention Network for Hyperspectral Image Denoising [54.110544509099526]
  ハイパースペクトル画像(HSI)は、ハイパースペクトルデータの効果的な解析と解釈に重要である。 ハイブリット・コンボリューション・アテンション・ネットワーク(HCANet)を提案する。 主流HSIデータセットに対する実験結果は,提案したHCANetの合理性と有効性を示している。
  論文  参考訳（メタデータ） (2024-03-15T07:18:43Z)
• 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)
• HAT: Hybrid Attention Transformer for Image Restoration [61.74223315807691]
  トランスフォーマーに基づく手法は、画像の超解像や復調といった画像復元タスクにおいて顕著な性能を示している。 本稿では,新たなHAT(Hybrid Attention Transformer)を提案する。 我々のHATは,定量的かつ定性的に,最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-09-11T05:17:55Z)
• Denoising Diffusion Models for Plug-and-Play Image Restoration [135.6359475784627]
  本稿では,従来のプラグアンドプレイ方式を拡散サンプリングフレームワークに統合したDiffPIRを提案する。 DiffPIRは、差別的なガウスのデノイザーに依存するプラグアンドプレイIR法と比較して、拡散モデルの生成能力を継承することが期待されている。
  論文  参考訳（メタデータ） (2023-05-15T20:24:38Z)
• 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)
• DRHDR: A Dual branch Residual Network for Multi-Bracket High Dynamic Range Imaging [0.0]
  マルチブラケットHDRイメージングのための2分岐残差畳み込みニューラルネットワークDRを提案する。 二重分岐アプローチを用いることで、HDR結果を推定するために必要な計算資源を制約しながら、高品質な結果が得られる。
  論文  参考訳（メタデータ） (2022-06-08T18:46:54Z)
• Designing and Training of A Dual CNN for Image Denoising [117.54244339673316]
  クリーンなイメージを復元するためのDual denoising Network(DudeNet)を提案する。 DudeNetは4つのモジュールで構成されている。機能抽出ブロック、拡張ブロック、圧縮ブロック、再構築ブロックである。
  論文  参考訳（メタデータ） (2020-07-08T08:16:24Z)
• ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising [52.01041506447195]
  ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。 実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-04T08:36:27Z)

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。