論文の概要: Joint End-to-End Image Compression and Denoising: Leveraging Contrastive
Learning and Multi-Scale Self-ONNs
- arxiv url: http://arxiv.org/abs/2402.05582v1
- Date: Thu, 8 Feb 2024 11:33:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-09 15:30:20.714428
- Title: Joint End-to-End Image Compression and Denoising: Leveraging Contrastive
Learning and Multi-Scale Self-ONNs
- Title（参考訳）: エンド・ツー・エンド画像圧縮とデノイジング:コントラスト学習とマルチスケール・セルフオンの活用
- Authors: Yuxin Xie, Li Yu, Farhad Pakdaman, Moncef Gabbouj
- Abstract要約: ノイズの圧縮が本質的に困難であるため,ノイズ画像は画像圧縮アルゴリズムの課題である。
本稿では,共同画像圧縮・復号化のための自己組織型オペレーショナルニューラルネットワークからなるマルチスケールデノイザの統合手法を提案する。
- 参考スコア（独自算出の注目度）: 18.71504105967766
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Noisy images are a challenge to image compression algorithms due to the
inherent difficulty of compressing noise. As noise cannot easily be discerned
from image details, such as high-frequency signals, its presence leads to extra
bits needed for compression. Since the emerging learned image compression
paradigm enables end-to-end optimization of codecs, recent efforts were made to
integrate denoising into the compression model, relying on clean image features
to guide denoising. However, these methods exhibit suboptimal performance under
high noise levels, lacking the capability to generalize across diverse noise
types. In this paper, we propose a novel method integrating a multi-scale
denoiser comprising of Self Organizing Operational Neural Networks, for joint
image compression and denoising. We employ contrastive learning to boost the
network ability to differentiate noise from high frequency signal components,
by emphasizing the correlation between noisy and clean counterparts.
Experimental results demonstrate the effectiveness of the proposed method both
in rate-distortion performance, and codec speed, outperforming the current
state-of-the-art.
- Abstract（参考訳）: ノイズの圧縮が本質的に困難であるため,ノイズ画像は画像圧縮アルゴリズムの課題である。
ノイズは高周波信号などの画像の詳細から容易に識別できないため、その存在は圧縮に必要な余分なビットを生み出す。
新たな学習画像圧縮パラダイムはコーデックのエンドツーエンド最適化を可能にするため, クリーンな画像特徴に頼ってデノナイジングを圧縮モデルに統合する試みが近年行われている。
しかし,これらの手法は高雑音レベル下での準最適性能を示し,様々なノイズタイプにまたがる一般化能力に欠ける。
本稿では,自己組織型操作型ニューラルネットワークからなるマルチスケールデノイザーを統合し,画像圧縮とデノイジングを行う新しい手法を提案する。
我々は,ノイズと高周波信号成分を区別するネットワーク能力を高めるために,ノイズとクリーン信号の相関性を強調し,コントラスト学習を用いる。
実験の結果, 提案手法の有効性は, レートゆらぎ性能とコーデック速度の両方において, 現状よりも優れていることがわかった。
関連論文リスト
- Transfer CLIP for Generalizable Image Denoising [11.144858989063522]
ノイズ画像を含む高密度特徴を含む非対称エンコーダデコーダデノイズネットワークを考案する。
合成ノイズ,実世界のsRGBノイズ,低線量CT画像ノイズを含む多様なOODノイズに対する実験と比較を行った結果,本手法の優れた一般化能力が示された。
論文 参考訳（メタデータ） (2024-03-22T11:33:04Z) - NoiseDiffusion: Correcting Noise for Image Interpolation with Diffusion Models beyond Spherical Linear Interpolation [86.7260950382448]
画像の妥当性を補正する新しい手法としてノイズ拡散法を提案する。
NoiseDiffusionはノイズの多い画像空間内で動作し、これらのノイズの多い画像に生画像を注入することで、情報損失の課題に対処する。
論文 参考訳（メタデータ） (2024-03-13T12:32:25Z) - On the Importance of Denoising when Learning to Compress Images [34.99683302788977]
そこで本研究では,aを訓練する際,画像認知タスクを明示的に学習することを提案する。
私たちは、さまざまなISO番号でキャプチャされたさまざまなシーンを提供するNatural Image Noiseデータセットを活用しています。
ノイズレベルの異なる画像の混合に基づいて訓練した1つのモデルでは,ノイズとクリーンな画像の両方でクラス内の最良の結果が得られることを示す。
論文 参考訳（メタデータ） (2023-07-12T15:26:04Z) - Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。
これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。
まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。
次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文 参考訳（メタデータ） (2023-05-17T13:56:48Z) - Hierarchical Disentangled Representation for Invertible Image Denoising
and Beyond [14.432771193620702]
画像の高周波部分にノイズが現れる傾向にあるという潜在観測に着想を得て,完全可逆復調法を提案する。
ノイズ画像は、可逆変換により、清浄な低周波およびハイブリッドな高周波部品に分解する。
このように、ノイズのない低周波部品と高周波部品とを逆にマージして、デノナイジングをトラクタブルにする。
論文 参考訳（メタデータ） (2023-01-31T01:24:34Z) - Optimizing Image Compression via Joint Learning with Denoising [49.83680496296047]
スマートフォンカメラに搭載された比較的小さなセンサーのため、今日の撮像画像には高レベルのノイズが通常存在している。
計算コストを少なくして目的をシンプルかつ効果的に実現できるように,プラグイン機能付き2分岐重み共有アーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-07-22T04:23:01Z) - Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。
トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。
AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
論文 参考訳（メタデータ） (2022-03-24T18:11:31Z) - Synergy Between Semantic Segmentation and Image Denoising via Alternate
Boosting [102.19116213923614]
ノイズ除去とセグメンテーションを交互に行うためのブーストネットワークを提案する。
我々は,ノイズによるセグメンテーション精度の低下に対処するだけでなく,画素別意味情報によってデノージング能力が向上することを示す。
実験の結果,デノイド画像の品質が大幅に向上し,セグメンテーション精度がクリーン画像に近いことを示した。
論文 参考訳（メタデータ） (2021-02-24T06:48:45Z) - Dual Adversarial Network: Toward Real-world Noise Removal and Noise
Generation [52.75909685172843]
実世界の画像ノイズ除去は、コンピュータビジョンにおける長年の課題である。
本稿では,ノイズ除去およびノイズ発生タスクに対処する新しい統合フレームワークを提案する。
本手法はクリーンノイズ画像対の連成分布を学習する。
論文 参考訳（メタデータ） (2020-07-12T09:16:06Z) - When deep denoising meets iterative phase retrieval [5.639904484784126]
従来の位相の検索アルゴリズムはノイズが存在する場合に苦しむが、クリーンなデータを与えると世界収束を示す。
ここでは,位相探索からの反復的手法とディープデノイザからの画像統計とを,正規化によるデノジングにより組み合わせる。
得られた手法は各手法の利点を継承し、他のノイズロス位相探索アルゴリズムより優れている。
論文 参考訳（メタデータ） (2020-03-03T21:00:45Z)
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。