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
- Quantifying Noise of Dynamic Vision Sensor [49.665407116447454]
動的視覚センサ(DVS)は、大量のバックグラウンドアクティビティ(BA)ノイズによって特徴付けられる。
標準的な画像処理技術を用いて,ノイズとクリーン化センサ信号とを区別することは困難である。
Detrended Fluctuation Analysis (DFA) から得られたBAノイズを特徴付ける新しい手法が提案されている。
論文 参考訳（メタデータ） (2024-04-02T13:43:08Z) - Bayesian Formulations for Graph Spectral Denoising [9.086602432203417]
本稿では,グラフ上の信号としてモデル化された複雑なデータに関連付けられた特徴を,前もって滑らかに表現する問題を考察する。
本稿では, ガウス雑音, 落下音, 均一分布雑音によって信号が乱される場合のアルゴリズムを提案する。
単一セルRNAシークエンスデータにおいて、画像データ上の白色ノイズや重篤なドロップアウトから信号を効果的に復元するアルゴリズムの能力を実証する。
論文 参考訳（メタデータ） (2023-11-27T23:53:19Z) - CFNet: Conditional Filter Learning with Dynamic Noise Estimation for
Real Image Denoising [37.29552796977652]
本稿では、カメラ内信号処理パイプラインを用いた異方性ガウス/ポアソンガウス分布によって近似された実雑音について考察する。
本稿では,特徴位置の異なる最適なカーネルを画像とノイズマップの局所的特徴により適応的に推定できる条件付きフィルタを提案する。
また,CNN構造にノイズ推定や非ブラインド復調を行う場合,反復的特徴復調を導出する前に連続的にノイズを更新すると考える。
論文 参考訳（メタデータ） (2022-11-26T14:28:54Z) - Noise2NoiseFlow: Realistic Camera Noise Modeling without Clean Images [35.29066692454865]
本稿では,ノイズモデルとデノイザを同時にトレーニングするためのフレームワークを提案する。
ノイズ/クリーンなペア画像データではなく、ノイズの多いイメージのペアに依存します。
トレーニングされたデノイザーは、教師付きおよび弱教師付きベースラインデノイジングアプローチの両方において、大幅に改善される。
論文 参考訳（メタデータ） (2022-06-02T15:31:40Z) - 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) - 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) - 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) - Adaptive noise imitation for image denoising [58.21456707617451]
本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。
現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。
ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
論文 参考訳（メタデータ） (2020-11-30T02:49:36Z) - CycleISP: Real Image Restoration via Improved Data Synthesis [166.17296369600774]
本稿では,前向きと逆方向のカメラ画像パイプラインをモデル化するフレームワークを提案する。
リアルな合成データに基づいて新しい画像認識ネットワークをトレーニングすることにより、実際のカメラベンチマークデータセット上で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2020-03-17T15:20:25Z)
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。