論文の概要: Learning Image Demoireing from Unpaired Real Data

• arxiv url: http://arxiv.org/abs/2401.02719v1
• Date: Fri, 5 Jan 2024 09:26:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-08 15:31:14.694114
• Title: Learning Image Demoireing from Unpaired Real Data
• Title（参考訳）: 非ペア実データによる画像復調の学習
• Authors: Yunshan Zhong, Yuyao Zhou, Yuxin Zhang, Fei Chao, Rongrong Ji
• Abstract要約: 本稿では,画像復号化の問題に対処することに焦点を当てる。 我々は,不適切な実データ,すなわち無関係なクリーンな画像に関連付けられたモアレ画像から復調モデルを学習しようと試みる。 そこで本研究では,復調モデルの学習に悪影響を及ぼすような,低品質な擬似モアレ像を除去する適応的 denoise 手法を提案する。
• 参考スコア（独自算出の注目度）: 55.273845966244714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper focuses on addressing the issue of image demoireing. Unlike the large volume of existing studies that rely on learning from paired real data, we attempt to learn a demoireing model from unpaired real data, i.e., moire images associated with irrelevant clean images. The proposed method, referred to as Unpaired Demoireing (UnDeM), synthesizes pseudo moire images from unpaired datasets, generating pairs with clean images for training demoireing models. To achieve this, we divide real moire images into patches and group them in compliance with their moire complexity. We introduce a novel moire generation framework to synthesize moire images with diverse moire features, resembling real moire patches, and details akin to real moire-free images. Additionally, we introduce an adaptive denoise method to eliminate the low-quality pseudo moire images that adversely impact the learning of demoireing models. We conduct extensive experiments on the commonly-used FHDMi and UHDM datasets. Results manifest that our UnDeM performs better than existing methods when using existing demoireing models such as MBCNN and ESDNet-L. Code: https://github.com/zysxmu/UnDeM
• Abstract（参考訳）: 本稿では,画像復調の課題に焦点をあてる。 ペア化された実データから学ぶことに依存する既存の研究と異なり、未ペアの実データ、すなわち無関係なクリーンな画像に関連付けられたモアレ画像から復調モデルを学習しようとする。 提案手法はUnpaired Demoireing (UnDeM) と呼ばれ、未知のデータセットから擬似モアレ画像を合成し、クリーンな画像とペアを生成して復調モデルを訓練する。 これを実現するため、実際のmoireイメージをパッチに分割し、moireの複雑さに従ってグループ化します。 本稿では,実際のmoireパッチに類似した,多様なmoire特徴を有するmoireイメージを合成する新しいmoire生成フレームワークを提案する。 さらに,復調モデルの学習に悪影響を及ぼす低品質擬似モイア画像を除去する適応デノワーズ法を提案する。 一般的に使われているFHDMiとUHDMデータセットについて広範な実験を行った。 その結果、MBCNNやESDNet-Lといった既存のデシリアライズモデルを使用する場合、UnDeMは既存のメソッドよりも優れていることが判明した。 コード: https://github.com/zysxmu/undem

関連論文リスト

• Improved Distribution Matching Distillation for Fast Image Synthesis [54.72356560597428]
  この制限を解除し、MDDトレーニングを改善する一連の技術であるMDD2を紹介する。 まず、回帰損失と高価なデータセット構築の必要性を排除します。 第2に, GAN損失を蒸留工程に統合し, 生成した試料と実画像との識別を行う。
  論文  参考訳（メタデータ） (2024-05-23T17:59:49Z)
• SeNM-VAE: Semi-Supervised Noise Modeling with Hierarchical Variational Autoencoder [13.453138169497903]
  SeNM-VAEは、ペアとアンペアの両方のデータセットを利用して、現実的な劣化データを生成する半教師付きノイズモデリング手法である。 実世界の画像認識と超分解能タスクのためのペアトレーニングサンプルを生成するために,本手法を用いた。 提案手法は, 合成劣化画像の品質を, 他の不対とペアのノイズモデリング法と比較して向上させる。
  論文  参考訳（メタデータ） (2024-03-26T09:03:40Z)
• Person Image Synthesis via Denoising Diffusion Model [116.34633988927429]
  本研究では,高忠実度人物画像合成に拡散モデルをいかに応用できるかを示す。 2つの大規模ベンチマークとユーザスタディの結果は、挑戦的なシナリオ下で提案したアプローチのフォトリアリズムを実証している。
  論文  参考訳（メタデータ） (2022-11-22T18:59:50Z)
• Region-aware Attention for Image Inpainting [33.22497212024083]
  本稿では,画像の描画のための新しい領域認識アテンション (RA) モジュールを提案する。 単一サンプルにおける各画素対間の相関を直接計算することを避けることにより、ホール内の無効情報の誤認を回避することができる。 学習可能な領域辞書(LRD)を導入し、データセット全体に重要な情報を格納する。 我々の手法は、現実的な詳細で意味論的に妥当な結果を生成することができる。
  論文  参考訳（メタデータ） (2022-04-03T06:26:22Z)
• Learning to See by Looking at Noise [87.12788334473295]
  簡単なランダムなプロセスから画像を生成する一連の画像生成モデルについて検討する。 これらは、対照的な損失を伴う視覚表現学習者のトレーニングデータとして使用される。 以上の結果から,実データの構造的特性を捉えることはノイズにとって重要であるが,現実的ではないプロセスでも良好な性能が達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-06-10T17:56:46Z)
• DeFlow: Learning Complex Image Degradations from Unpaired Data with Conditional Flows [145.83812019515818]
  本論文では,不対データから画像劣化を学習するDeFlowを提案する。 共有フローデコーダネットワークの潜在空間における劣化過程をモデル化する。 共同画像復元と超解像におけるDeFlowの定式化を検証した。
  論文  参考訳（メタデータ） (2021-01-14T18:58:01Z)
• Self-Adaptively Learning to Demoire from Focused and Defocused Image Pairs [97.67638106818613]
  モアレアーティファクトはデジタル写真では一般的であり、高周波シーンコンテンツとカメラのカラーフィルタアレイとの干渉によるものである。 大規模反復で訓練された既存のディープラーニングに基づく復習手法は、様々な複雑なモアレパターンを扱う場合に限られる。 本稿では,高頻度画像の復調のための自己適応学習手法を提案する。
  論文  参考訳（メタデータ） (2020-11-03T23:09:02Z)
• TailorGAN: Making User-Defined Fashion Designs [28.805686791183618]
  そこで本研究では,2組のデータを使わずに,不整合特性を持つ衣服画像を合成する,新たな自己教師型モデルを提案する。 本手法は,再構築学習ステップと逆学習ステップから構成される。 このデータセットと実世界のサンプルを用いた実験により、我々の手法は最先端の手法よりもはるかに優れた結果を合成できることを示した。
  論文  参考訳（メタデータ） (2020-01-17T16:54:46Z)

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。