論文の概要: Color Image Denoising Using The Green Channel Prior

• arxiv url: http://arxiv.org/abs/2402.08235v1
• Date: Tue, 13 Feb 2024 05:57:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-14 16:14:51.290756
• Title: Color Image Denoising Using The Green Channel Prior
• Title（参考訳）: グリーンチャネルプリエントを用いたカラー画像の雑音化
• Authors: Zhaoming Kong and Xiaowei Yang
• Abstract要約: グリーンチャネル先行(GCP)は、しばしば色画像のデノイングにおいて過小評価されるか無視される。 本稿では,GCP-ID(GCP-ID)法を提案する。
• 参考スコア（独自算出の注目度）: 5.117362801192093
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Noise removal in the standard RGB (sRGB) space remains a challenging task, in that the noise statistics of real-world images can be different in R, G and B channels. In fact, the green channel usually has twice the sampling rate in raw data and a higher signal-to-noise ratio than red/blue ones. However, the green channel prior (GCP) is often understated or ignored in color image denoising since many existing approaches mainly focus on modeling the relationship among image patches. In this paper, we propose a simple and effective one step GCP-based image denoising (GCP-ID) method, which aims to exploit the GCP for denoising in the sRGB space by integrating it into the classic nonlocal transform domain denoising framework. Briefly, we first take advantage of the green channel to guide the search of similar patches, which improves the patch search quality and encourages sparsity in the transform domain. Then we reformulate RGB patches into RGGB arrays to explicitly characterize the density of green samples. The block circulant representation is utilized to capture the cross-channel correlation and the channel redundancy. Experiments on both synthetic and real-world datasets demonstrate the competitive performance of the proposed GCP-ID method for the color image and video denoising tasks. The code is available at github.com/ZhaomingKong/GCP-ID.
• Abstract（参考訳）: 標準RGB(sRGB)空間におけるノイズ除去は、実世界の画像のノイズ統計がR、G、Bチャンネルで異なるため、依然として難しい課題である。 実際、グリーンチャネルは通常、原データのサンプリングレートの2倍、赤/青のサンプリング比よりも高い信号対雑音比を持つ。 しかしながら、既存のアプローチの多くは画像パッチ間の関係のモデリングに重点を置いているため、緑チャネルプリエント(gcp)は、色画像の表示において過小評価されるか無視されることが多い。 本稿では,従来の非局所変換領域のデノナイズフレームワークに統合することで,GCPをsRGB空間のデノナイズに活用することを目的とした,GCPベースの画像デノナイズ(GCP-ID)手法を提案する。 簡単に言うと、green channelを利用して同様のパッチの検索をガイドし、パッチの検索品質を改善し、変換ドメインのスパーシティを促進する。 次にRGBパッチをRGGB配列に再構成し、グリーンサンプルの密度を明示的に特徴付ける。 ブロック循環表現を用いて、チャネル間相関とチャネル冗長性をキャプチャする。 合成と実世界の両方のデータセットの実験は、カラー画像とビデオデノーミングタスクのための提案したGCP-IDメソッドの競合性能を示している。 コードはgithub.com/ZhaomingKong/GCP-IDで入手できる。

関連論文リスト

• Image Denoising Using Green Channel Prior [3.8541941705185114]
  Green channel pre-based image denoising (GCP-ID)メソッドは、GCPを古典的なパッチベースのdenoisingフレームワークに統合する。 GCP-IDの様々な画像コンテンツへの適応性を高めるため、ノイズ推定問題を分類タスクにキャストし、畳み込みニューラルネットワーク(CNN)に基づく効果的な推定器を訓練する。
  論文  参考訳（メタデータ） (2024-08-12T05:07:12Z)
• DARC: Distribution-Aware Re-Coloring Model for Generalizable Nucleus Segmentation [68.43628183890007]
  ドメインギャップは、異なるフォアグラウンド(核)-バックグラウンド比によっても引き起こされる可能性があると我々は主張する。 まず、異なる領域間の劇的な画像色変化を緩和する再カラー化手法を提案する。 次に,前景-背景比の変動に頑健な新しいインスタンス正規化手法を提案する。
  論文  参考訳（メタデータ） (2023-09-01T01:01:13Z)
• Symmetric Uncertainty-Aware Feature Transmission for Depth Super-Resolution [52.582632746409665]
  カラー誘導DSRのためのSymmetric Uncertainty-aware Feature Transmission (SUFT)を提案する。 本手法は最先端の手法と比較して優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-06-01T06:35:59Z)
• Multi-channel Nuclear Norm Minus Frobenius Norm Minimization for Color Image Denoising [9.20787253404652]
  従来の戦略の1つは、RGBイメージを相関の少ない色空間に変換し、新しい空間の各チャネルを別々に識別することである。 本稿では,核ノルムの最小化フレームワークであるフロベニウス・ノルム最小化フレームワークを用いて,カラー画像のマルチチャネル最適化モデルを提案する。 合成および実ノイズデータセットによる実験結果は,提案モデルが最先端モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2022-09-16T04:10:29Z)
• Modeling sRGB Camera Noise with Normalizing Flows [35.29066692454865]
  各種ISOレベルにおけるsRGB画像の複雑な雑音分布を学習できる正規化フローに基づく新しいsRGB領域雑音モデルを提案する。 我々の正規化フローベースアプローチは、ノイズモデリングや合成タスクにおいて、他のモデルよりも優れています。
  論文  参考訳（メタデータ） (2022-06-02T00:56:34Z)
• Learning RAW-to-sRGB Mappings with Inaccurately Aligned Supervision [76.41657124981549]
  本稿では,画像アライメントとRAW-to-sRGBマッピングのための共同学習モデルを提案する。 実験の結果,本手法はZRRおよびSR-RAWデータセットの最先端に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2021-08-18T12:41:36Z)
• TBNet:Two-Stream Boundary-aware Network for Generic Image Manipulation Localization [49.521622399483846]
  汎用画像操作のローカライゼーションのための新しいエンド・ツー・エンド2ストリーム境界対応ネットワーク(TBNet)を提案する。 提案したTBNetは、MCCとF1の両方の観点から、最先端の汎用画像操作のローカライズ手法を大幅に上回ることができる。
  論文  参考訳（メタデータ） (2021-08-10T08:22:05Z)
• Joint Denoising and Demosaicking with Green Channel Prior for Real-world Burst Images [16.052963749855568]
  実世界バースト画像,すなわち JDD-B の JDD 問題について検討する。 グリーンチャネルが、CFAの生データにおける赤と青のチャネルの2倍のサンプリング率と品質を有することを考慮し、GCP-Netを構築するために、このグリーンチャネル事前(GCP)を使用することを提案する。 我々のGCP-Netはノイズを除去しながら他のJDDメソッドよりも多くの画像構造や詳細を保存できます。
  論文  参考訳（メタデータ） (2021-01-25T03:08:25Z)
• Bi-directional Cross-Modality Feature Propagation with Separation-and-Aggregation Gate for RGB-D Semantic Segmentation [59.94819184452694]
  深度情報はRGBD画像のセマンティックセグメンテーションにおいて有用であることが証明されている。 既存のほとんどの研究は、深度測定がRGBピクセルと正確で整合していると仮定し、問題をモーダルな特徴融合としてモデル化している。 本稿では,RGB特徴量応答を効果的に再検討するだけでなく,複数の段階を通して正確な深度情報を抽出し,代わりに2つの補正表現を集約する,統一的で効率的なクロスモダリティガイドを提案する。
  論文  参考訳（メタデータ） (2020-07-17T18:35:24Z)
• CycleISP: Real Image Restoration via Improved Data Synthesis [166.17296369600774]
  本稿では,前向きと逆方向のカメラ画像パイプラインをモデル化するフレームワークを提案する。 リアルな合成データに基づいて新しい画像認識ネットワークをトレーニングすることにより、実際のカメラベンチマークデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-03-17T15:20:25Z)

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。