論文の概要: Random Sub-Samples Generation for Self-Supervised Real Image Denoising
- arxiv url: http://arxiv.org/abs/2307.16825v1
- Date: Mon, 31 Jul 2023 16:39:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-01 13:20:12.515174
- Title: Random Sub-Samples Generation for Self-Supervised Real Image Denoising
- Title(参考訳): 自己監督型実像復調のためのランダムサブサンプル生成
- Authors: Yizhong Pan, Xiao Liu, Xiangyu Liao, Yuanzhouhan Cao, Chao Ren
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 9.459398471988724
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With sufficient paired training samples, the supervised deep learning methods
have attracted much attention in image denoising because of their superior
performance. However, it is still very challenging to widely utilize the
supervised methods in real cases due to the lack of paired noisy-clean images.
Meanwhile, most self-supervised denoising methods are ineffective as well when
applied to the real-world denoising tasks because of their strict assumptions
in applications. For example, as a typical method for self-supervised
denoising, the original blind spot network (BSN) assumes that the noise is
pixel-wise independent, which is much different from the real cases. To solve
this problem, we propose a novel self-supervised real image denoising framework
named Sampling Difference As Perturbation (SDAP) based on Random Sub-samples
Generation (RSG) with a cyclic sample difference loss. Specifically, we dig
deeper into the properties of BSN to make it more suitable for real noise.
Surprisingly, we find that adding an appropriate perturbation to the training
images can effectively improve the performance of BSN. Further, we propose that
the sampling difference can be considered as perturbation to achieve better
results. Finally we propose a new BSN framework in combination with our RSG
strategy. The results show that it significantly outperforms other
state-of-the-art self-supervised denoising methods on real-world datasets. The
code is available at https://github.com/p1y2z3/SDAP.
- Abstract(参考訳): 十分なペアのトレーニングサンプルにより、教師付きディープラーニング手法は、優れた性能のため、画像の認知に多くの関心を惹きつけている。
しかし,ノイズクリーン画像のペア化が困難であることから,実例において教師あり手法を広く活用することは極めて困難である。
一方、ほとんどの自己教師付き推論手法は、アプリケーションにおける厳密な仮定のため、実世界の弁別タスクにも適用できない。
例えば、自己教師型認知の典型的な方法として、元の盲点ネットワーク(BSN)はノイズがピクセル単位で独立であると仮定するが、これは実際の場合とは大きく異なる。
この問題を解決するために,ランダムサブサンプル生成(RSG)に基づくサンプリング差分摂動(Samping difference As Perturbation, SDAP)と呼ばれる,周期的なサンプル差分損失を伴う自己監督型実画像復調フレームワークを提案する。
具体的には,bsnの特性を深く掘り下げて実雑音に適合させる。
驚くべきことに、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させることができる。
さらに,より優れた結果を得るために,サンプリング差を摂動と見なすことができる。
最後に、RSG戦略と組み合わせて新しいBSNフレームワークを提案する。
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わかった。
コードはhttps://github.com/p1y2z3/SDAPで入手できる。
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) - 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) - I2V: Towards Texture-Aware Self-Supervised Blind Denoising using
Self-Residual Learning for Real-World Images [8.763680382529412]
pixel-shuffle downsampling (PD) はノイズの空間的相関を排除するために提案されている。
テクスチャ情報を維持するために,PD処理を使わずに自己学習を提案する。
広汎な実験の結果,提案手法は最先端の自己監督型ブラインド・デノイング・アプローチよりも優れていた。
論文 参考訳(メタデータ) (2023-02-21T08:51:17Z) - 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) - Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。
提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-04-05T12:46:36Z) - 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) - 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) - 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) - 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。