論文の概要: Two-stage Progressive Residual Dense Attention Network for Image Denoising

• arxiv url: http://arxiv.org/abs/2401.02831v1
• Date: Fri, 5 Jan 2024 14:31:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-08 14:51:08.406964
• Title: Two-stage Progressive Residual Dense Attention Network for Image Denoising
• Title（参考訳）: 画像復調のための2段階進行残差注意ネットワーク
• Authors: Wencong Wu, An Ge, Guannan Lv, Yuelong Xia, Yungang Zhang, Wen Xiong
• Abstract要約: 多くのディープCNNベースのdenoisingモデルは、より重要で有用な特徴に注意を払わずに、ノイズの多い画像の階層的特徴を同様に利用し、比較的低いパフォーマンスをもたらす。 本稿では,2つのサブタスクに分割してノイズを段階的に除去する2段階のプログレッシブ・レジデンシャル・アテンション・ネットワーク(TSP-RDANet)を設計する。 2つの異なるアテンション機構に基づくデノナイジングネットワークは、2つのシーケンシャルなサブタスクのために設計されている。
• 参考スコア（独自算出の注目度）: 0.680228754562676
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep convolutional neural networks (CNNs) for image denoising can effectively exploit rich hierarchical features and have achieved great success. However, many deep CNN-based denoising models equally utilize the hierarchical features of noisy images without paying attention to the more important and useful features, leading to relatively low performance. To address the issue, we design a new Two-stage Progressive Residual Dense Attention Network (TSP-RDANet) for image denoising, which divides the whole process of denoising into two sub-tasks to remove noise progressively. Two different attention mechanism-based denoising networks are designed for the two sequential sub-tasks: the residual dense attention module (RDAM) is designed for the first stage, and the hybrid dilated residual dense attention module (HDRDAM) is proposed for the second stage. The proposed attention modules are able to learn appropriate local features through dense connection between different convolutional layers, and the irrelevant features can also be suppressed. The two sub-networks are then connected by a long skip connection to retain the shallow feature to enhance the denoising performance. The experiments on seven benchmark datasets have verified that compared with many state-of-the-art methods, the proposed TSP-RDANet can obtain favorable results both on synthetic and real noisy image denoising. The code of our TSP-RDANet is available at https://github.com/WenCongWu/TSP-RDANet.
• Abstract（参考訳）: 画像デノイジングのための深層畳み込みニューラルネットワーク(cnns)は、リッチな階層的特徴を効果的に活用し、大きな成功を収めている。 しかし、多くの深層cnnベースのデノイジングモデルは、より重要で有用な特徴に注意を払わずに、ノイズ画像の階層的特徴を等しく利用し、比較的低い性能をもたらす。 この問題に対処するために,画像デノイジングのための2段階プログレッシブ残差集中型ネットワーク(tsp-rdanet)を新たに設計し,ノイズを徐々に除去するために,デノイジングのプロセス全体を2つのサブタスクに分割する。 2つの異なるアテンション機構に基づくデノナイジングネットワークが2つのシーケンシャルなサブタスクのために設計されており、第1段階ではResent dense attention Module (RDAM)、第2段にはHybrid Dilated residual dense attention Module (HDRDAM)が提案されている。 提案する注意モジュールは、異なる畳み込み層間の密接な接続を通じて適切な局所特徴を学習することができ、無関係な特徴も抑制できる。 2つのサブネットワークは長いスキップ接続で接続され、浅い特徴を保持し、ノイズ性能を向上させる。 7つのベンチマークデータセットの実験では、多くの最先端手法と比較して、提案したTSP-RDANetは、合成画像と実雑音画像の両方で良好な結果が得られることが検証されている。 TSP-RDANetのコードはhttps://github.com/WenCongWu/TSP-RDANetで公開されている。

関連論文リスト

• Dual Residual Attention Network for Image Denoising [19.978731146465822]
  画像復調において、深部畳み込みニューラルネットワーク(CNN)は、空間不変ノイズの除去に好適な性能を得ることができる。 本稿では,画像認識のための新しいDual-branch Residual Attention Network(DRANet)を提案する。 我々のDRANetは、合成ノイズ除去と実世界のノイズ除去の両方で競合するノイズ除去性能を得ることができる。
  論文  参考訳（メタデータ） (2023-05-07T13:11:55Z)
• Image Blind Denoising Using Dual Convolutional Neural Network with Skip Connection [2.9689285167236603]
  我々は、スキップ接続(DCBDNet)を用いた新しい二重畳み込みブラインド復調ネットワークを提案する。 提案するDCBDNetは、雑音推定ネットワークと二重畳み込みニューラルネットワーク(CNN)から構成される。
  論文  参考訳（メタデータ） (2023-04-04T08:21:46Z)
• Multi-stage image denoising with the wavelet transform [125.2251438120701]
  深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。 動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
  論文  参考訳（メタデータ） (2022-09-26T03:28:23Z)
• Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
  本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。 事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。 識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
  論文  参考訳（メタデータ） (2022-07-19T14:35:42Z)
• Thunder: Thumbnail based Fast Lightweight Image Denoising Network [92.9631117239565]
  textbfThumbtextbfnail ベースの textbfDtextbfenoising Netwotextbfrk called Thunder が提案されている。
  論文  参考訳（メタデータ） (2022-05-24T06:38:46Z)
• Coarse-to-Fine Video Denoising with Dual-Stage Spatial-Channel Transformer [29.03463312813923]
  Video Denoisingは、ノイズの多いビデオから高品質なフレームを復元することを目的としている。 既存のほとんどのアプローチでは、畳み込みニューラルネットワーク(CNN)を使用して、ノイズを元の視覚コンテンツから分離する。 粗大な映像をデノナイズするためのDual-stage Spatial-Channel Transformer (DSCT)を提案する。
  論文  参考訳（メタデータ） (2022-04-30T09:01:21Z)
• 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)
• Unpaired Learning of Deep Image Denoising [80.34135728841382]
  本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。 自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。 実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
  論文  参考訳（メタデータ） (2020-08-31T16:22:40Z)
• ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising [52.01041506447195]
  ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。 実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-04T08:36:27Z)

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。