論文の概要: Unsupervised Image Denoising in Real-World Scenarios via Self-Collaboration Parallel Generative Adversarial Branches

• arxiv url: http://arxiv.org/abs/2308.06776v1
• Date: Sun, 13 Aug 2023 14:04:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-15 15:25:38.415160
• Title: Unsupervised Image Denoising in Real-World Scenarios via Self-Collaboration Parallel Generative Adversarial Branches
• Title（参考訳）: 自己協調型並列生成逆数分岐による実世界のシナリオにおける教師なし画像認識
• Authors: Xin Lin, Chao Ren, Xiao Liu, Jie Huang, Yinjie Lei
• Abstract要約: ディープラーニング手法は、特に大規模なペア化されたデータセットでトレーニングされた場合、画像の認知において顕著なパフォーマンスを示している。 ディープラーニング手法は、特に大規模なペア化されたデータセットでトレーニングされた場合、画像の認知において顕著なパフォーマンスを示している。 しかし、そのようなペア化されたデータセットを現実のシナリオで取得することは、大きな課題となる。
• 参考スコア（独自算出の注目度）: 28.61750072026107
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning methods have shown remarkable performance in image denoising, particularly when trained on large-scale paired datasets. However, acquiring such paired datasets for real-world scenarios poses a significant challenge. Although unsupervised approaches based on generative adversarial networks offer a promising solution for denoising without paired datasets, they are difficult in surpassing the performance limitations of conventional GAN-based unsupervised frameworks without significantly modifying existing structures or increasing the computational complexity of denoisers. To address this problem, we propose a SC strategy for multiple denoisers. This strategy can achieve significant performance improvement without increasing the inference complexity of the GAN-based denoising framework. Its basic idea is to iteratively replace the previous less powerful denoiser in the filter-guided noise extraction module with the current powerful denoiser. This process generates better synthetic clean-noisy image pairs, leading to a more powerful denoiser for the next iteration. This baseline ensures the stability and effectiveness of the training network. The experimental results demonstrate the superiority of our method over state-of-the-art unsupervised methods.
• Abstract（参考訳）: ディープラーニングの手法は、特に大規模なペアデータセットでトレーニングされた場合、画像の雑音化において顕著なパフォーマンスを示している。 しかし、そのようなペア化されたデータセットを現実のシナリオで取得することは大きな課題となる。 生成的敵ネットワークに基づく教師なしアプローチは、ペア化されたデータセットを使わずにデノナイズするための有望なソリューションを提供するが、既存の構造を著しく変更したり、デノネイザの複雑性を増大させることなく、従来のGANベースのアン教師なしフレームワークのパフォーマンス制限を克服することは困難である。 この問題に対処するために,複数のデノイザに対してsc戦略を提案する。 この戦略は、GANベースのdenoisingフレームワークの推論複雑性を増大させることなく、大幅なパフォーマンス向上を実現することができる。 その基本的な考え方は、フィルタ誘導ノイズ抽出モジュールの以前のより強力なデノイザーを、現在の強力なデノイザーに繰り返し置き換えることである。 このプロセスは、より優れた合成クリーンノイズ画像ペアを生成し、次のイテレーションでより強力なデノイザを生み出す。 このベースラインはトレーニングネットワークの安定性と有効性を保証する。 実験の結果,最先端の教師なし手法よりも優れた手法が得られた。

関連論文リスト

• 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)
• 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)
• 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)
• 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)
• 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)
• Learning Model-Blind Temporal Denoisers without Ground Truths [46.778450578529814]
  合成データで訓練されたデノイザーは、未知のノイズの多様性に対処できないことが多い。 従来の画像ベース手法は、ビデオデノイザに直接適用した場合、ノイズが過度に収まる。 本稿では,これらの課題に対処する上で有効な,ビデオ・デノベーション・ネットワークの汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-07T07:19:48Z)
• Noise2Inverse: Self-supervised deep convolutional denoising for tomography [0.0]
  Noise2Inverseは、線形画像再構成アルゴリズムのためのディープCNNに基づくDenoising法である。 そこで我々は,そのような学習がCNNを実際に獲得することを示す理論的枠組みを構築した。 シミュレーションCTデータセットにおいて、Noss2Inverseはピーク信号対雑音比と構造類似度指数の改善を示す。
  論文  参考訳（メタデータ） (2020-01-31T12:50:24Z)

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。