論文の概要: SwinIA: Self-Supervised Blind-Spot Image Denoising without Convolutions

• arxiv url: http://arxiv.org/abs/2305.05651v2
• Date: Sat, 28 Dec 2024 08:45:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:00:59.518044
• Title: SwinIA: Self-Supervised Blind-Spot Image Denoising without Convolutions
• Title（参考訳）: SwinIA: 自己監督型ブラインドスポット画像、畳み込みなしでデノベーション
• Authors: Mikhail Papkov, Pavel Chizhov, Leopold Parts,
• Abstract要約: 自己監督された画像の復調は、ノイズの多い画像からの信号を、地上の真実にアクセスできることなく復元することを意味する。 本研究では,Swin Transformer-based Image Autoencoder (SwinIA)を提案する。
• 参考スコア（独自算出の注目度）: 7.51016548830037
• License:
• Abstract: Self-supervised image denoising implies restoring the signal from a noisy image without access to the ground truth. State-of-the-art solutions for this task rely on predicting masked pixels with a fully-convolutional neural network. This most often requires multiple forward passes, information about the noise model, or intricate regularization functions. In this paper, we propose a Swin Transformer-based Image Autoencoder (SwinIA), the first fully-transformer architecture for self-supervised denoising. The flexibility of the attention mechanism helps to fulfill the blind-spot property that convolutional counterparts normally approximate. SwinIA can be trained end-to-end with a simple mean squared error loss without masking and does not require any prior knowledge about clean data or noise distribution. Simple to use, SwinIA establishes the state of the art on several common benchmarks.
• Abstract（参考訳）: 自己監督された画像の復調は、ノイズの多い画像からの信号を、地上の真実にアクセスできることなく復元することを意味する。 このタスクの最先端のソリューションは、完全な畳み込みニューラルネットワークによるマスク付きピクセルの予測に依存している。 これはしばしば、複数の前方通過、ノイズモデルに関する情報、複雑な正規化関数を必要とする。 本稿では,Swin Transformer-based Image Autoencoder (SwinIA)を提案する。 注意機構の柔軟性は、通常、畳み込みが近似する盲点特性を満たすのに役立つ。 SwinIAはマスクなしで単純な平均2乗誤差損失でエンドツーエンドにトレーニングでき、クリーンデータやノイズ分布に関する事前知識は必要ない。 SwinIAは簡単に使用でき、いくつかの一般的なベンチマークで最先端を確立できる。

関連論文リスト

• Self-Calibrated Variance-Stabilizing Transformations for Real-World Image Denoising [19.08732222562782]
  教師付き深層学習が画像認知のための選択方法となっている。 一般の信条とは対照的に,ガウスノイズ除去に特化するネットワークを有効活用し,実世界の画像復調に有効であることを示す。
  論文  参考訳（メタデータ） (2024-07-24T16:23:46Z)
• Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
  本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。 提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。 提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
  論文  参考訳（メタデータ） (2023-03-23T09:33:44Z)
• Learning to Generate Realistic Noisy Images via Pixel-level Noise-aware Adversarial Training [50.018580462619425]
  我々は,PNGAN(Pixel-level Noise-aware Generative Adrial Network)という新しいフレームワークを提案する。 PNGANは、トレーニング済みのリアルデノイザーを使用して、フェイク画像とリアルノイズ画像をほぼノイズのないソリューション空間にマッピングする。 より優れたノイズフィッティングを実現するため,ジェネレータとしてSimple Multi-versa-scale Network (SMNet) を提案する。
  論文  参考訳（メタデータ） (2022-04-06T14:09:02Z)
• 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)
• View Blind-spot as Inpainting: Self-Supervised Denoising with Mask Guided Residual Convolution [2.179313476241343]
  本稿では,新しいMask Guided Residual Convolution(MGRConv)を共通の畳み込みニューラルネットワークに導入する。 我々のMGRConvはソフトな部分的畳み込みと見なすことができ、部分的畳み込み、学習可能な注意マップ、ゲート的畳み込みのトレードオフを見つけることができる。 実験の結果,提案するプラグイン・アンド・プレイMGRConvは,ブラインドスポットに基づくデノナイジングネットワークを有効活用できることがわかった。
  論文  参考訳（メタデータ） (2021-09-10T16:10:08Z)
• 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)
• Noise2Kernel: Adaptive Self-Supervised Blind Denoising using a Dilated Convolutional Kernel Architecture [3.796436257221662]
  本研究では,不変性を満たす拡張畳み込みネットワークを提案し,ランダムマスキングを使わずに効率的なカーネルベーストレーニングを実現する。 また,ゼロ平均制約を回避し,塩とペッパーまたはハイブリッドノイズの除去に有効である適応型自己超過損失を提案する。
  論文  参考訳（メタデータ） (2020-12-07T12:13:17Z)
• Unsupervised Image Restoration Using Partially Linear Denoisers [2.3061446605472558]
  本稿では, 非線形画像依存写像, 線形雑音依存項, 残差項の和として分解可能な構造付きデノイザのクラスを提案する。 雑音が平均値と既知分散度をゼロとする条件下では,ノイズのみを学習できることを示す。 本手法は, 学習にクリーンな画像を必要としない, 教師なし, 自己監督型ディープ・デノゲーション・モデルよりも優れている。
  論文  参考訳（メタデータ） (2020-08-14T02:13:19Z)
• 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)
• Noise2Inpaint: Learning Referenceless Denoising by Inpainting Unrolling [2.578242050187029]
  本稿では,ノイズ2Inpaint (N2I) をトレーニング手法として導入し,デノナイジング問題を正規化した画像インパインティングフレームワークに再キャストする。 N2Iは、実世界のデータセットのデノベーションを成功させると同時に、純粋にデータ駆動型であるNoss2Selfと比較して詳細を保存できる。
  論文  参考訳（メタデータ） (2020-06-16T18:46:42Z)
• Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
  ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。 本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
  論文  参考訳（メタデータ） (2019-08-29T15:54:06Z)

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。