論文の概要: Physics-guided Noise Neural Proxy for Low-light Raw Image Denoising
- arxiv url: http://arxiv.org/abs/2310.09126v1
- Date: Fri, 13 Oct 2023 14:14:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-16 12:50:07.048614
- Title: Physics-guided Noise Neural Proxy for Low-light Raw Image Denoising
- Title（参考訳）: 低光生画像用物理誘導ノイズニューラルネットワーク
- Authors: Hansen Feng, Lizhi Wang, Yiqi Huang, Yuzhi Wang, Hua Huang
- Abstract要約: 低照度生画像のデノイングは、モバイル写真において重要な役割を担っている。
ダークフレームから物理誘導型ノイズニューラルプロキシを学習する,高精度ノイズモデリングのための新しいフレームワークを開発した。
- 参考スコア（独自算出の注目度）: 20.60510614453726
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Low-light raw image denoising plays a crucial role in mobile photography, and
learning-based methods have become the mainstream approach. Training the
learning-based methods with synthetic data emerges as an efficient and
practical alternative to paired real data. However, the quality of synthetic
data is inherently limited by the low accuracy of the noise model, which
decreases the performance of low-light raw image denoising. In this paper, we
develop a novel framework for accurate noise modeling that learns a
physics-guided noise neural proxy (PNNP) from dark frames. PNNP integrates
three efficient techniques: physics-guided noise decoupling (PND),
physics-guided proxy model (PPM), and differentiable distribution-oriented loss
(DDL). The PND decouples the dark frame into different components and handles
different levels of noise in a flexible manner, which reduces the complexity of
the noise neural proxy. The PPM incorporates physical priors to effectively
constrain the generated noise, which promotes the accuracy of the noise neural
proxy. The DDL provides explicit and reliable supervision for noise modeling,
which promotes the precision of the noise neural proxy. Extensive experiments
on public low-light raw image denoising datasets and real low-light imaging
scenarios demonstrate the superior performance of our PNNP framework.
- Abstract（参考訳）: モバイル写真では低照度raw画像のノイズ除去が重要な役割を担っており、学習に基づく手法が主流となっている。
合成データを用いた学習に基づく手法の訓練は、ペア化された実データに対する効率的で実用的な代替手段として現れる。
しかし、合成データの質はノイズモデルの低精度によって本質的に制限され、低照度生画像のノイズ化性能が低下する。
本稿では,物理誘導型ノイズニューラルプロキシ(PNNP)を暗黒フレームから学習する,高精度ノイズモデリングのための新しいフレームワークを開発する。
PNNPは物理誘導ノイズデカップリング(PND)、物理誘導プロキシモデル(PPM)、微分分布指向損失(DDL)の3つの効率的な手法を統合する。
PNDはダークフレームを異なるコンポーネントに分離し、異なるレベルのノイズを柔軟な方法で処理することで、ノイズニューラルプロキシの複雑さを低減します。
PPMは、生成したノイズを効果的に拘束するために物理的事前を組み込んでおり、ノイズニューラルプロキシの精度を高める。
DDLは、ノイズニューラルプロキシの精度を促進するノイズモデリングの明示的で信頼性の高い監視を提供する。
公開低照度生画像復調データセットと実低照度画像シナリオに関する大規模な実験は、我々のPNNPフレームワークの優れた性能を示している。
関連論文リスト
- Learning with Noisy Foundation Models [95.50968225050012]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。
雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文 参考訳（メタデータ） (2024-03-11T16:22:41Z) - Towards General Low-Light Raw Noise Synthesis and Modeling [37.87312467017369]
生成モデルにより信号非依存ノイズを合成する新しい視点を導入する。
具体的には、信号に依存しないノイズと信号に依存しないノイズを物理と学習に基づく方法で合成する。
このようにして、本手法は一般的なモデルとみなすことができ、つまり、異なるISOレベルの異なるノイズ特性を同時に学習することができる。
論文 参考訳（メタデータ） (2023-07-31T09:10:10Z) - Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。
本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。
RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
論文 参考訳（メタデータ） (2023-05-23T12:56:01Z) - 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) - 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) - Estimating Fine-Grained Noise Model via Contrastive Learning [11.626812663592416]
本稿では,現実的な雑音画像生成のための革新的なノイズモデル推定とノイズ合成パイプラインを提案する。
本モデルでは, 微粒な統計的雑音モデルを用いた雑音推定モデルについて, 対照的に学習する。
いくつかのセンサのノイズモデルを校正することで、我々のモデルは他のカメラを予測できるように拡張することができる。
論文 参考訳（メタデータ） (2022-04-03T02:35:01Z) - 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) - Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。
実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。
我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
論文 参考訳（メタデータ） (2021-08-04T16:36:29Z) - 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)
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。