論文の概要: Joint Demosaicing and Denoising with Double Deep Image Priors

• arxiv url: http://arxiv.org/abs/2309.09426v1
• Date: Mon, 18 Sep 2023 01:53:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-19 15:31:15.369622
• Title: Joint Demosaicing and Denoising with Double Deep Image Priors
• Title（参考訳）: ダブル・ディープ・イメージ・プリミティブを用いた共同デモサイジングとデノナイジング
• Authors: Taihui Li, Anish Lahiri, Yutong Dai, Owen Mayer
• Abstract要約: 現代のデジタルカメラの処理パイプラインにおいて、RAW画像の復号化と復号化は重要なステップである。 最近のディープ・ニューラル・ネットワークベースのアプローチは、このような課題を緩和するために、共同の解答と妄想の有効性を示している。 本稿では,JDD-DoubleDIPと呼ばれる,RAW画像を直接操作し,トレーニングデータを必要とせずに,新たな共同復調・復調手法を提案する。
• 参考スコア（独自算出の注目度）: 5.3686304202729
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Demosaicing and denoising of RAW images are crucial steps in the processing pipeline of modern digital cameras. As only a third of the color information required to produce a digital image is captured by the camera sensor, the process of demosaicing is inherently ill-posed. The presence of noise further exacerbates this problem. Performing these two steps sequentially may distort the content of the captured RAW images and accumulate errors from one step to another. Recent deep neural-network-based approaches have shown the effectiveness of joint demosaicing and denoising to mitigate such challenges. However, these methods typically require a large number of training samples and do not generalize well to different types and intensities of noise. In this paper, we propose a novel joint demosaicing and denoising method, dubbed JDD-DoubleDIP, which operates directly on a single RAW image without requiring any training data. We validate the effectiveness of our method on two popular datasets -- Kodak and McMaster -- with various noises and noise intensities. The experimental results show that our method consistently outperforms other compared methods in terms of PSNR, SSIM, and qualitative visual perception.
• Abstract（参考訳）: 原画像の復調と校正は、現代のデジタルカメラの処理パイプラインにおいて重要なステップである。 デジタル画像を生成するのに必要なカラー情報の3分の1だけをカメラセンサで捉えているため、復調のプロセスは本質的に不適切である。 騒音の存在によりこの問題はさらに悪化する。 これら2つのステップを順次実行すると、キャプチャしたrawイメージの内容を歪め、あるステップから別のステップにエラーを蓄積する。 最近のディープニューラルネットワークベースのアプローチでは、これらの課題を緩和するための共同デモサイシングとデノイジングの有効性が示されている。 しかし、これらの手法は典型的には多数のトレーニングサンプルを必要とし、異なる種類のノイズと強度によく当てはまらない。 本稿では,JDD-DoubleDIPと呼ばれる,単一のRAW画像上で,トレーニングデータを必要とせずに直接動作可能な新しい共同復調・復調手法を提案する。 我々は,KodakとMcMasterという2つの一般的なデータセットに対して,様々なノイズとノイズ強度で提案手法の有効性を検証する。 実験結果から,PSNR,SSIM,定性的視覚知覚において,他の比較手法よりも常に優れることがわかった。

関連論文リスト

• Combining Pre- and Post-Demosaicking Noise Removal for RAW Video [2.772895608190934]
  Denoisingは、カメラセンサーが捉えたデータをディスプレイ対応の画像やビデオに変換する処理パイプラインの基本ステップの1つである。 本研究では,ベイアパターンのCFAビデオデータに対して,事前および復号化後のデノイザを重み付けする自己相似型デノイザ方式を提案する。 両者のバランスが画像品質の向上につながることを示し、高ノイズレベルがより高影響のプレデモーザックの恩恵を受けることを実証的に見出した。
  論文  参考訳（メタデータ） (2024-10-03T15:20:19Z)
• Retinex-RAWMamba: Bridging Demosaicing and Denoising for Low-Light RAW Image Enhancement [71.13353154514418]
  低照度画像の強化、特に生ドメインからsRGBドメインへのマッピングのようなクロスドメインタスクは、依然として大きな課題である。 RAWMambaと呼ばれる新しいMambaスキャニング機構を提案する。 また,Retinex の先行したRetinex Decomposition Module (RDM) も提案する。
  論文  参考訳（メタデータ） (2024-09-11T06:12:03Z)
• How to Best Combine Demosaicing and Denoising? [16.921538543268216]
  分解と分解は 生画像パイプラインにおいて 重要な役割を担っています ほとんどの復号法はノイズフリー画像の復号化に対処する。 本当の問題は、ノイズの多い生画像の合成と分解だ。
  論文  参考訳（メタデータ） (2024-08-13T07:23:53Z)
• Make Explicit Calibration Implicit: Calibrate Denoiser Instead of the Noise Model [83.9497193551511]
  デジタルゲインやカメラセンサーによらず有効であるLED(Lighting Every Darkness)を導入する。 LEDは明示的なノイズモデルのキャリブレーションの必要性を排除し、高速な展開と最小限のデータを必要とする暗黙の微調整プロセスを活用する。 LEDは、センサー工学の利点を生かしながら、ディープラーニングの進歩にもっと注力することを可能にする。
  論文  参考訳（メタデータ） (2023-08-07T10:09:11Z)
• 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)
• 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)
• Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
  センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。 それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
  論文  参考訳（メタデータ） (2021-10-10T10:45:24Z)
• 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。