論文の概要: Learning-Based and Quality Preserving Super-Resolution of Noisy Images
- arxiv url: http://arxiv.org/abs/2311.02254v1
- Date: Fri, 3 Nov 2023 22:00:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 18:48:23.960945
- Title: Learning-Based and Quality Preserving Super-Resolution of Noisy Images
- Title(参考訳): 雑音画像の超解法に基づく学習と品質保存
- Authors: Simone Cammarasana, Giuseppe Patan\`e
- Abstract要約: 本稿では,雑音の存在を考慮し,入力画像の特性を保存する学習手法を提案する。
Cineca Marconi100クラスタ上で、トップ500リストの26位でテストを行います。
- 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: Several applications require the super-resolution of noisy images and the
preservation of geometrical and texture features. State-of-the-art
super-resolution methods do not account for noise and generally enhance the
output image's artefacts (e.g., aliasing, blurring). We propose a
learning-based method that accounts for the presence of noise and preserves the
properties of the input image, as measured by quantitative metrics (e.g.,
normalised crossed correlation, normalised mean squared error,
peak-signal-to-noise-ration, structural similarity feature-based similarity,
universal image quality). We train our network to up-sample a low-resolution
noisy image while preserving its properties. We perform our tests on the Cineca
Marconi100 cluster, at the 26th position in the top500 list. The experimental
results show that our method outperforms learning-based methods, has comparable
results with standard methods, preserves the properties of the input image as
contours, brightness, and textures, and reduces the artefacts. As average
quantitative metrics, our method has a PSNR value of 23.81 on the
super-resolution of Gaussian noise images with a 2X up-sampling factor. In
contrast, previous work has a PSNR value of 23.09 (standard method) and 21.78
(learning-based method). Our learning-based and quality-preserving
super-resolution improves the high-resolution prediction of noisy images with
respect to state-of-the-art methods with different noise types and up-sampling
factors.
- Abstract(参考訳): いくつかの応用では、ノイズ画像の超解像と幾何学的およびテクスチャ的特徴の保存が必要である。
最先端の超解像法はノイズを考慮せず、一般的に出力画像のアーティファクト(エイリアス、ぼやけなど)を強化する。
本稿では,ノイズの存在を考慮し,定量的な測定値(正規化相互相関,正規化平均二乗誤差,ピーク信号-雑音分割,構造的類似性,普遍的画像品質など)によって入力画像の特性を保存する学習ベース手法を提案する。
我々は,その特性を保ちながら低解像度ノイズ像をアップサンプリングするようにネットワークを訓練する。
我々は、cineca marconi100クラスタでテストを行い、トップ500の26位でテストを行った。
実験の結果,本手法は学習手法よりも優れ,標準手法と同等の結果を示し,入力画像の特性を輪郭,明るさ,テクスチャとして保存し,人工物を減らす。
平均的な定量的指標として、2倍のアップサンプリング係数を持つガウス雑音像の超解像上でのPSNR値は23.81である。
対照的に、以前の研究ではPSNR値は23.09(標準法)と21.78(学習法)であった。
学習ベースおよび品質保存型スーパーレゾリューションは,ノイズタイプやアップサンプリング係数の異なる最先端手法に対して,ノイズ画像の高分解能予測を改善する。
関連論文リスト
- AdapNet: Adaptive Noise-Based Network for Low-Quality Image Retrieval [41.9012882549912]
本稿では,ロバストな抽象表現を学習するための適応ノイズベースネットワーク(AdapNet)を提案する。
AdapNetは、Noss Revisited OxfordとNoss Revisited Parisベンチマークの最先端の手法を超越している。
論文 参考訳(メタデータ) (2024-05-28T00:25:41Z) - Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。
提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。
提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
論文 参考訳(メタデータ) (2023-03-23T09:33:44Z) - Frequency-domain Blind Quality Assessment of Blurred and
Blocking-artefact Images using Gaussian Process Regression model [0.5735035463793008]
標準的な画像コーデックやビデオコーデックのほとんどはブロックベースであり、圧縮率によって圧縮された画像やビデオの歪みが異なる。
本稿では,これらの歪みに苦しむ画像の全体的品質を個々に,かつ共同で測定する手法を提案する。
多くの最先端の手法と比較して比較的高速であり、したがってリアルタイムな品質監視アプリケーションに適している。
論文 参考訳(メタデータ) (2023-03-05T19:20:55Z) - Representing Noisy Image Without Denoising [91.73819173191076]
ラドン空間におけるフラクショナルオーダーモーメント(FMR)は、ノイズの多い画像から直接ロバストな表現を引き出すように設計されている。
従来の整数順序法とは異なり、我々の研究は特別な場合のような古典的手法を取り入れたより汎用的な設計である。
論文 参考訳(メタデータ) (2023-01-18T10:13:29Z) - SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。
本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。
提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
論文 参考訳(メタデータ) (2022-06-09T14:00:26Z) - 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) - Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。
因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。
また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
論文 参考訳(メタデータ) (2022-03-29T13:07:53Z) - Geodesic Gramian Denoising Applied to the Images Contaminated With Noise
Sampled From Diverse Probability Distributions [0.2578242050187029]
選択した画像から5つの顕著な確率分布からサンプリングされた雑音を除去する文法に基づくフィルタリング手法
ピクセルではなく、画像から分割されたパッチを採用することで、画像の滑らかさを保ちます。
3つのベンチマークコンピュータビジョンテスト画像を2つの最先端の復調法に適用し,その復調性能を検証した。
論文 参考訳(メタデータ) (2022-03-04T22:48:12Z) - De-Noising of Photoacoustic Microscopy Images by Deep Learning [0.9786690381850356]
光音響顕微鏡(PAM)画像は、レーザー強度の最大許容露光、組織内の超音波の減衰、トランスデューサ固有のノイズによってノイズに悩まされる。
そこで本研究では,PAM画像から複雑なノイズを取り除くための深層学習に基づく手法を提案する。
論文 参考訳(メタデータ) (2022-01-12T05:13:57Z) - Designing a Practical Degradation Model for Deep Blind Image
Super-Resolution [134.9023380383406]
単一画像スーパーレゾリューション (sisr) 法は, 推定劣化モデルが実画像から逸脱した場合はうまく動作しない。
本稿では, ランダムにシャッフルされたブラー, ダウンサンプリング, ノイズ劣化からなる, より複雑で実用的な劣化モデルを提案する。
論文 参考訳(メタデータ) (2021-03-25T17:40:53Z) - TextureWGAN: Texture Preserving WGAN with MLE Regularizer for Inverse
Problems [4.112614964808275]
提案手法の中で最も一般的で効果的な方法は平均二乗誤差(MSE)を持つ畳み込みニューラルネットワーク(CNN)である。
逆問題に対するWGAN(Wasserstein GAN)に基づく新しい手法を提案する。
We showed that the WGAN-based method was effective to maintain image texture, it also also used a maximum max estimation regularizer (MLE) to maintain pixel fidelity。
論文 参考訳(メタデータ) (2020-08-11T17:06:34Z)
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。