Fugu-MT 論文翻訳(概要): SS-BSN: Attentive Blind-Spot Network for Self-Supervised Denoising with Nonlocal Self-Similarity

論文の概要: SS-BSN: Attentive Blind-Spot Network for Self-Supervised Denoising with Nonlocal Self-Similarity

arxiv url: http://arxiv.org/abs/2305.09890v1
Date: Wed, 17 May 2023 01:55:45 GMT
ステータス: 処理完了
システム内更新日: 2023-05-18 17:53:34.394426
Title: SS-BSN: Attentive Blind-Spot Network for Self-Supervised Denoising with Nonlocal Self-Similarity
Title（参考訳）: ss-bsn:非局所的自己相似性を有する自己教師付き発声のための注意盲点ネットワーク
Authors: Young-Joo Han and Ha-Jin Yu
Abstract要約: 本稿では,新たな自己認識モジュールである自己相似性注意(SS-Attention)について述べる。我々は,軽量な自己認識モジュールをピクセル単位で設計することに注力する。我々は、SS-Attentionを、自己相似性に基づく盲点ネットワーク(SS-BSN)と呼ばれる盲点ネットワークに統合する。
参考スコア（独自算出の注目度）: 13.310370786064254
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recently, numerous studies have been conducted on supervised learning-based image denoising methods. However, these methods rely on large-scale noisy-clean image pairs, which are difficult to obtain in practice. Denoising methods with self-supervised training that can be trained with only noisy images have been proposed to address the limitation. These methods are based on the convolutional neural network (CNN) and have shown promising performance. However, CNN-based methods do not consider using nonlocal self-similarities essential in the traditional method, which can cause performance limitations. This paper presents self-similarity attention (SS-Attention), a novel self-attention module that can capture nonlocal self-similarities to solve the problem. We focus on designing a lightweight self-attention module in a pixel-wise manner, which is nearly impossible to implement using the classic self-attention module due to the quadratically increasing complexity with spatial resolution. Furthermore, we integrate SS-Attention into the blind-spot network called self-similarity-based blind-spot network (SS-BSN). We conduct the experiments on real-world image denoising tasks. The proposed method quantitatively and qualitatively outperforms state-of-the-art methods in self-supervised denoising on the Smartphone Image Denoising Dataset (SIDD) and Darmstadt Noise Dataset (DND) benchmark datasets.
Abstract（参考訳）: 近年,教師付き学習に基づく画像分類法に関する研究が数多く行われている。しかし、これらの手法は大規模ノイズクリーン画像対に依存しており、実際は入手が困難である。雑音画像のみを訓練できる自己教師付き訓練による雑音除去手法が提案されている。これらの手法は畳み込みニューラルネットワーク(CNN)に基づいており、有望な性能を示している。しかし、CNNに基づく手法は、従来の手法に不可欠な非局所的な自己相似性を考慮しない。本稿では,非局所的自己相似性を捉える新しい自己相似性モジュールである自己相似性注意(ss-attention)を提案する。我々は,空間分解能の複雑さが2次的に増大しているため,従来の自己保持モジュールを用いて実装することがほぼ不可能な,軽量な自己保持モジュールをピクセル単位で設計することに注力する。さらに、SS-Attentionを自己相似性に基づく盲点ネットワーク(SS-BSN)と呼ぶ盲点ネットワークに統合する。実世界のイメージデノゲーションタスクについて実験を行った。提案手法は,スマートフォン画像デノージングデータセット(sidd)とダルムシュタットノイズデータセット(dnd)ベンチマークデータセットの自己教師付きデノージングにおいて,定量的かつ質的に最先端手法を上回っている。

関連論文リスト

Neighboring Slice Noise2Noise: Self-Supervised Medical Image Denoising from Single Noisy Image Volume [12.077993066353294]
近距離スライスノイズ2ノイズ(NS-N2N)の自己監督型医用画像復号法を提案する。 NS-N2Nは、画像ボリューム自体の高品質な denoising を実現するために、1つの医療画像から得られるノイズの多い画像ボリュームのみを必要とする。
論文参考訳（メタデータ） (2024-11-16T16:24:28Z)
Low-Trace Adaptation of Zero-shot Self-supervised Blind Image Denoising [23.758547513866766]
自己教師型学習と教師型学習のギャップを埋めるために,トレース制約損失関数と低トレース適応型ノイズ2ノイズ(LoTA-N2N)モデルを提案する。本手法は,ゼロショット自己監督型画像復調手法の領域内での最先端性能を実現する。
論文参考訳（メタデータ） (2024-03-19T02:47:33Z)
Random Sub-Samples Generation for Self-Supervised Real Image Denoising [9.459398471988724]
我々は,Smpling Different As Perturbation (SDAP) という,自己監督型実画像記述フレームワークを提案する。トレーニング画像に適切な摂動を加えることで,BSNの性能を効果的に向上できることがわかった。その結果、実世界のデータセット上で、最先端の自己教師型デノベーション手法を著しく上回っていることが明らかとなった。
論文参考訳（メタデータ） (2023-07-31T16:39:35Z)
Exploring Efficient Asymmetric Blind-Spots for Self-Supervised Denoising in Real-World Scenarios [44.31657750561106]
実世界のシナリオにおけるノイズはしばしば空間的に相関しており、多くの自己教師型アルゴリズムは性能が良くない。盲点サイズを自由に調整できる非対称可変ブラインド・スポットネットワーク(AT-BSN)を提案する。提案手法は最先端技術を実現し,計算オーバーヘッドや視覚効果の観点から,他の自己教師付きアルゴリズムよりも優れていることを示す。
論文参考訳（メタデータ） (2023-03-29T15:19:01Z)
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)
Enhancing convolutional neural network generalizability via low-rank weight approximation [6.763245393373041]
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)
Robust Deep Ensemble Method for Real-world Image Denoising [62.099271330458066]
そこで本研究では,実世界の画像認識のための単純なベイズディープアンサンブル(BDE)手法を提案する。我々のBDEは、最先端の復調法よりも+0.28dBPSNRのゲインを達成している。我々のBDEは他の画像復元タスクにも拡張でき、ベンチマークデータセット上で+0.30dB、+0.18dB、+0.12dB PSNRゲインを達成することができる。
論文参考訳（メタデータ） (2022-06-08T06:19:30Z)
AP-BSN: Self-Supervised Denoising for Real-World Images via Asymmetric PD and Blind-Spot Network [60.650035708621786]
ブラインド・スポット・ネットワーク(BSN)とその変種は、自己監督型デノナイジングにおいて大きな進歩を遂げた。自己教師付きBSNを用いて空間的に相関した実世界の雑音に対処することは困難である。近年,実世界の雑音の空間的相関を取り除くために,画素シャッフルダウンサンプリング (PD) が提案されている。本稿では,この問題に対処する非対称PD(AP)を提案する。
論文参考訳（メタデータ） (2022-03-22T15:04:37Z)
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)
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)
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。