論文の概要: All-optical image denoising using a diffractive visual processor
- arxiv url: http://arxiv.org/abs/2309.09215v1
- Date: Sun, 17 Sep 2023 08:54:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-19 16:52:10.527029
- Title: All-optical image denoising using a diffractive visual processor
- Title（参考訳）: ディファクティブ・ビジュアルプロセッサを用いた全光学画像の復調
- Authors: Cagatay Is{\i}l, Tianyi Gan, F. Onuralp Ardic, Koray Mentesoglu,
Jagrit Digani, Huseyin Karaca, Hanlong Chen, Jingxi Li, Deniz Mengu, Mona
Jarrahi, Kaan Ak\c{s}it, Aydogan Ozcan
- Abstract要約: 入力画像から様々な形態のノイズやアーティファクトを全光学的および非定性的に清浄するアナログ回折画像デノイザを提案する。
以上の結果から,これらの回折デノイザは,入力位相や強度画像から塩と唐辛子ノイズや画像レンダリング関連空間アーチファクトを効率よく除去できることがわかった。
速度、電力効率、計算オーバーヘッドの最小化により、全光回折デノイザは様々な画像表示や投影システムに対して変換可能である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image denoising, one of the essential inverse problems, targets to remove
noise/artifacts from input images. In general, digital image denoising
algorithms, executed on computers, present latency due to several iterations
implemented in, e.g., graphics processing units (GPUs). While deep
learning-enabled methods can operate non-iteratively, they also introduce
latency and impose a significant computational burden, leading to increased
power consumption. Here, we introduce an analog diffractive image denoiser to
all-optically and non-iteratively clean various forms of noise and artifacts
from input images - implemented at the speed of light propagation within a thin
diffractive visual processor. This all-optical image denoiser comprises passive
transmissive layers optimized using deep learning to physically scatter the
optical modes that represent various noise features, causing them to miss the
output image Field-of-View (FoV) while retaining the object features of
interest. Our results show that these diffractive denoisers can efficiently
remove salt and pepper noise and image rendering-related spatial artifacts from
input phase or intensity images while achieving an output power efficiency of
~30-40%. We experimentally demonstrated the effectiveness of this analog
denoiser architecture using a 3D-printed diffractive visual processor operating
at the terahertz spectrum. Owing to their speed, power-efficiency, and minimal
computational overhead, all-optical diffractive denoisers can be transformative
for various image display and projection systems, including, e.g., holographic
displays.
- Abstract（参考訳）: 画像のデノイングは、入力画像からノイズ/アーティファクトを取り除くことを目的としている。
一般に、コンピュータ上で実行されるデジタル画像デノイジングアルゴリズムは、例えばgpu(graphics processing unit)など、いくつかのイテレーションで実装されたため、現在遅延している。
ディープラーニング対応の手法は非定常的に動作することができるが、レイテンシを導入し、計算負荷が大幅に増加し、消費電力が増大する。
本稿では,光学的および非定性的に入力画像から様々な形状のノイズやアーティファクトを清浄するアナログ回折画像デノイザについて紹介する。
ディープラーニングを用いて最適化された受動透過層を備え、様々なノイズ特性を表す光学モードを物理的に散乱させ、対象の特徴を保持しながら出力画像の視野(fov)を見逃す。
その結果, 入力位相や強度画像から, 塩, ペッパーノイズ, 画像レンダリング関連空間アーティファクトを効率的に除去でき, 出力電力効率は30～40%であることがわかった。
テラヘルツスペクトルで動作する3dプリント回折視覚プロセッサを用いて,このアナログデノイザーアーキテクチャの有効性を実験的に実証した。
速度、電力効率、計算オーバーヘッドの最小化により、ホログラフィックディスプレイなどの様々な画像表示や投影システムにおいて、全光回折デノイザは変換可能である。
関連論文リスト
- Optical Diffusion Models for Image Generation [8.91748872686524]
拡散モデルは、初期供給されたランダム分布から徐々にノイズを減らし、新しいサンプルを生成する。
この推論手順は、トレーニングされたニューラルネットワークを何回も使用して最終的な出力を得るのが一般的である。
本研究では,半透明媒質を透過する光ビームの伝搬をプログラムし,画像サンプルにデノナイズ拡散モデルを実装することを実証する。
論文 参考訳（メタデータ） (2024-07-15T16:46:14Z) - A cross Transformer for image denoising [83.68175077524111]
直列ブロック(SB)、並列ブロック(PB)、残留ブロック(RB)を備えたクロストランスフォーマー(CTNet)を提案する。
CTNetは、実画像や合成画像のデノナイジングにおいて、一般的なデノナイジング法よりも優れている。
論文 参考訳（メタデータ） (2023-10-16T13:53:19Z) - 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) - 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) - Lightweight HDR Camera ISP for Robust Perception in Dynamic Illumination
Conditions via Fourier Adversarial Networks [35.532434169432776]
照明とノイズ除去の逐次的バランスをとる軽量な2段階画像強調アルゴリズムを提案する。
また、異なる照明条件下での一貫した画像強調のためのフーリエスペクトルベース対向フレームワーク(AFNet)を提案する。
また,定量的および定性的な評価に基づいて,画像強調技術が共通認識タスクの性能に与える影響について検討した。
論文 参考訳（メタデータ） (2022-04-04T18:48:51Z) - 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) - A Novel Image Denoising Algorithm Using Concepts of Quantum Many-Body
Theory [40.29747436872773]
本稿では,量子多体理論に触発された新しい画像認識アルゴリズムを提案する。
パッチ解析に基づき、局所像近傍における類似度尺度は、量子力学における相互作用に似た用語によって定式化される。
本稿では,医療用超音波画像復号法などの現実的な課題に対処する手法を提案する。
論文 参考訳（メタデータ） (2021-12-16T23:34:37Z) - Convolutional Deep Denoising Autoencoders for Radio Astronomical Images [0.0]
我々は、最先端の電波望遠鏡の合成画像に、畳み込み復号化オートエンコーダ(Convolutional Denoising Autoencoder)と呼ばれる機械学習技術を適用した。
我々のオートエンコーダは、器用感度の限界でかすかな物体を識別し、抽出する複雑な画像を効果的に識別することができる。
論文 参考訳（メタデータ） (2021-10-16T17:08:30Z) - Learning Spatial and Spatio-Temporal Pixel Aggregations for Image and
Video Denoising [104.59305271099967]
ピクセル集計ネットワークを提示し、画像デノイジングのためのピクセルサンプリングと平均戦略を学びます。
時間空間にまたがるサンプル画素をビデオデノナイズするための画素集約ネットワークを開発した。
本手法は,動的シーンにおける大きな動きに起因する誤認問題を解決することができる。
論文 参考訳（メタデータ） (2021-01-26T13:00:46Z) - Scalable Optical Learning Operator [0.2399911126932526]
提案するフレームワークは,速度を分類することなく既存のシステムのエネルギースケーリング問題を克服する。
数値的および実験的に、デジタル実装に匹敵する精度で複数の異なるタスクを実行する方法の能力を示した。
その結果、マルチモードファイバベースのコンピュータの性能を複製するには、強力なスーパーコンピュータが必要であることが示された。
論文 参考訳（メタデータ） (2020-12-22T23:06:59Z) - 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。