論文の概要: Unsupervised Structured Noise Removal with Variational Lossy Autoencoder
- arxiv url: http://arxiv.org/abs/2310.07887v1
- Date: Wed, 11 Oct 2023 20:48:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-15 11:43:07.593150
- Title: Unsupervised Structured Noise Removal with Variational Lossy Autoencoder
- Title(参考訳): 変分損失型オートエンコーダによる教師なし構造ノイズ除去
- Authors: Benjamin Salmon and Alexander Krull
- Abstract要約: 本稿では、クリーンな画像やノイズモデルにアクセスせずにノイズを除去できる、教師なしのディープラーニングベースデノイザを提案する。
特殊設計の自己回帰デコーダを用いた変分自動エンコーダを実装した。
実験により,本手法は既存の自己監督型・非教師型画像復調法を超越していることが示された。
- 参考スコア(独自算出の注目度): 60.71146161035649
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Most unsupervised denoising methods are based on the assumption that imaging
noise is either pixel-independent, i.e., spatially uncorrelated, or
signal-independent, i.e., purely additive. However, in practice many imaging
setups, especially in microscopy, suffer from a combination of signal-dependent
noise (e.g. Poisson shot noise) and axis-aligned correlated noise (e.g. stripe
shaped scanning or readout artifacts). In this paper, we present the first
unsupervised deep learning-based denoiser that can remove this type of noise
without access to any clean images or a noise model. Unlike self-supervised
techniques, our method does not rely on removing pixels by masking or
subsampling so can utilize all available information. We implement a
Variational Autoencoder (VAE) with a specially designed autoregressive decoder
capable of modelling the noise component of an image but incapable of
independently modelling the underlying clean signal component. As a
consequence, our VAE's encoder learns to encode only underlying clean signal
content and to discard imaging noise. We also propose an additional decoder for
mapping the encoder's latent variables back into image space, thereby sampling
denoised images. Experimental results demonstrate that our approach surpasses
existing methods for self- and unsupervised image denoising while being robust
with respect to the size of the autoregressive receptive field. Code for this
project can be found at https://github.com/krulllab/DVLAE.
- Abstract(参考訳): ほとんどの教師なしデノイジング法は、画像ノイズがピクセル非依存、すなわち空間非相関、または信号非依存、すなわち純粋加法である、という仮定に基づいている。
しかし、実際には多くの撮像装置、特に顕微鏡では、信号依存ノイズ(ポアソンショットノイズなど)と軸方向の相関ノイズ(ストライプ形状の走査やリードアウトアーティファクトなど)の組み合わせに悩まされている。
本稿では,このようなノイズをクリーンな画像やノイズモデルにアクセスせずに除去できる,教師なしの深層学習型デノイザを提案する。
自己教師技術とは異なり,マスキングやサブサンプリングによる画素除去は行わないため,利用可能な情報をすべて活用できる。
画像のノイズ成分をモデル化できるが、基礎となるクリーン信号成分を独立にモデル化できない特殊設計の自己回帰デコーダを備えた変分オートエンコーダ(vae)を実装した。
その結果、VAEのエンコーダはクリーン信号の内容のみを符号化し、撮像ノイズを除去することを学びました。
また、エンコーダの潜在変数を画像空間にマッピングする追加のデコーダを提案する。
実験の結果,提案手法は自己回帰受容場の大きさに対して頑健でありながら,既存の自己教師なし画像検出手法を上回っていることがわかった。
このプロジェクトのコードはhttps://github.com/krulllab/dvlaeにある。
関連論文リスト
- SwinIA: Self-Supervised Blind-Spot Image Denoising with Zero
Convolutions [0.0]
本研究では,スウィントランスフォーマーを用いた画像自動符号化システム (SwinIA) を提案する。
SwinIAはいくつかの共通ベンチマークで最先端のベンチマークを確立している。
論文 参考訳(メタデータ) (2023-05-09T17:49:27Z) - Self-supervised Image Denoising with Downsampled Invariance Loss and
Conditional Blind-Spot Network [12.478287906337194]
ほとんどの代表的自己監督型デノイザーは盲点ネットワークに基づいている。
標準的な盲点ネットワークは、ノイズの画素ワイド相関により、実際のカメラノイズを低減できない。
実雑音を除去できる新しい自己教師型トレーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2023-04-19T08:55:27Z) - A Generative Model for Digital Camera Noise Synthesis [12.025265901900962]
クリーンな特徴をガイダンスとして利用し,続いてネットワークにノイズ注入を行う効果的な生成モデルを提案する。
具体的には、ジェネレータはスキップ接続を持つUNetのような構造を踏襲するが、ダウンサンプリングやアップサンプリングは行わない。
提案手法は,カメラノイズを合成するための既存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) (2023-03-16T10:17:33Z) - Learning to Generate Realistic Noisy Images via Pixel-level Noise-aware
Adversarial Training [50.018580462619425]
我々は,PNGAN(Pixel-level Noise-aware Generative Adrial Network)という新しいフレームワークを提案する。
PNGANは、トレーニング済みのリアルデノイザーを使用して、フェイク画像とリアルノイズ画像をほぼノイズのないソリューション空間にマッピングする。
より優れたノイズフィッティングを実現するため,ジェネレータとしてSimple Multi-versa-scale Network (SMNet) を提案する。
論文 参考訳(メタデータ) (2022-04-06T14:09:02Z) - CVF-SID: Cyclic multi-Variate Function for Self-Supervised Image
Denoising by Disentangling Noise from Image [53.76319163746699]
そこで本研究では,CVF-SIDと呼ばれる,新しい,強力な自己監督型デノベーション手法を提案する。
CVF-SIDは、様々な自己教師付き損失項を活用することにより、入力からクリーンな画像とノイズマップを分離することができる。
最先端の自己監督型画像復調性能を達成し、既存のアプローチに匹敵する。
論文 参考訳(メタデータ) (2022-03-24T11:59:28Z) - 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) - Noise2Score: Tweedie's Approach to Self-Supervised Image Denoising
without Clean Images [35.41467558264341]
異なるアプローチを統合するために,ノイズ2スコアと呼ばれる新しい手法を提案する。
具体的には,後部分布のモードを見つけることで,クリーンな画像のない画像認識問題に対処できることを示す。
そこで本手法では,残差復調オートエンコーダを用いて雑音画像からスコア関数を安定に推定する手法を提案する。
論文 参考訳(メタデータ) (2021-06-13T14:41:09Z) - Fully Unsupervised Diversity Denoising with Convolutional Variational
Autoencoders [81.30960319178725]
完全畳み込み変分オートエンコーダ(VAE)に基づく復調手法であるDivNoisingを提案する。
まず, 撮像ノイズモデルをデコーダに明示的に組み込むことにより, 教師なしの雑音発生問題をVAEフレームワーク内に定式化する手法を提案する。
このようなノイズモデルは、ノイズの多いデータから測定したり、ブートストラップしたり、トレーニング中に共同学習したりすることが可能である。
論文 参考訳(メタデータ) (2020-06-10T21:28:13Z) - Reconstructing the Noise Manifold for Image Denoising [56.562855317536396]
本稿では,画像ノイズ空間の構造を明示的に活用するcGANを提案する。
画像ノイズの低次元多様体を直接学習することにより、この多様体にまたがる情報のみをノイズ画像から除去する。
我々の実験に基づいて、我々のモデルは既存の最先端アーキテクチャを大幅に上回っている。
論文 参考訳(メタデータ) (2020-02-11T00:31:31Z) - Handling noise in image deblurring via joint learning [0.3407858371718068]
多くのブラインドデブロワー法は、ぼやけた画像はノイズのないものと仮定し、ノイズのあるぼやけた画像に対して不満足に処理する。
本稿では,デノイザサブネットワークとデブロワーサブネットワークからなるカスケードフレームワークを提案する。
共同学習は, 脱臭後の残音が脱臭に及ぼす影響を低減し, 重騒音に対する脱臭の堅牢性を向上させる。
論文 参考訳(メタデータ) (2020-01-27T12:59:52Z)
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。