論文の概要: Enhancement of 3D Camera Synthetic Training Data with Noise Models
- arxiv url: http://arxiv.org/abs/2402.16514v1
- Date: Mon, 26 Feb 2024 11:50:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-27 13:33:25.659168
- Title: Enhancement of 3D Camera Synthetic Training Data with Noise Models
- Title（参考訳）: ノイズモデルを用いた3次元カメラ合成トレーニングデータの強化
- Authors: Katar\'ina Osvaldov\'a, Luk\'a\v{s} Gajdo\v{s}ech, Viktor Kocur,
Martin Madaras
- Abstract要約: 本研究の目的は,3次元撮影データにおけるノイズの影響を,撮像プロセスのノイズをモデル化して評価することである。
我々は、ノイズモデルを得るために、特別に構築されたシーンのデータセットをコンパイルした。
具体的には、画像面における捕獲点の位置と軸方向の雑音に影響を及ぼす横方向雑音をモデル化し、画像面に対する軸方向の位置に影響を及ぼす。
- 参考スコア（独自算出の注目度）: 1.6385815610837167
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The goal of this paper is to assess the impact of noise in 3D camera-captured
data by modeling the noise of the imaging process and applying it on synthetic
training data. We compiled a dataset of specifically constructed scenes to
obtain a noise model. We specifically model lateral noise, affecting the
position of captured points in the image plane, and axial noise, affecting the
position along the axis perpendicular to the image plane. The estimated models
can be used to emulate noise in synthetic training data. The added benefit of
adding artificial noise is evaluated in an experiment with rendered data for
object segmentation. We train a series of neural networks with varying levels
of noise in the data and measure their ability to generalize on real data. The
results show that using too little or too much noise can hurt the networks'
performance indicating that obtaining a model of noise from real scanners is
beneficial for synthetic data generation.
- Abstract（参考訳）: 本研究の目的は,画像処理のノイズをモデル化し,合成訓練データに適用することにより,3次元カメラキャプチャーデータにおけるノイズの影響を評価することである。
ノイズモデルを得るために,特別に構築されたシーンのデータセットをコンパイルした。
具体的には、画像平面の撮影点の位置や軸方向のノイズなど、画像平面に垂直な軸に沿った位置に影響を与える横方向ノイズをモデル化する。
推定モデルは、合成トレーニングデータにノイズをエミュレートするために使用できる。
オブジェクトセグメンテーションのためのレンダリングデータを用いた実験において, 人工雑音付加の利点を評価する。
我々は、データのノイズレベルが異なる一連のニューラルネットワークをトレーニングし、実際のデータに基づいて一般化する能力を測定する。
その結果, ノイズが少ないか多すぎるかは, ネットワークの性能を損なう可能性があり, 実際のスキャナーからノイズのモデルを取得することは, 合成データ生成に有用であることが示唆された。
関連論文リスト
- Real Acoustic Fields: An Audio-Visual Room Acoustics Dataset and Benchmark [65.79402756995084]
Real Acoustic Fields (RAF)は、複数のモードから実際の音響室データをキャプチャする新しいデータセットである。
RAFは密集した室内音響データを提供する最初のデータセットである。
論文 参考訳（メタデータ） (2024-03-27T17:59:56Z) - Physics-guided Noise Neural Proxy for Practical Low-light Raw Image
Denoising [22.11250276261829]
近年,低照度生画像復調訓練の主流は,合成データの利用に移行している。
実世界のセンサのノイズ分布を特徴付けるノイズモデリングは,合成データの有効性と実用性に大きな影響を及ぼす。
そこで本研究では,実データではなく,暗黒フレームからノイズモデルを学習し,データ依存を分解する手法を提案する。
論文 参考訳（メタデータ） (2023-10-13T14:14:43Z) - Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。
本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。
RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
論文 参考訳（メタデータ） (2023-05-23T12:56:01Z) - NoiseTransfer: Image Noise Generation with Contrastive Embeddings [9.322843611215486]
本稿では,複数のノイズ分布を持つ雑音像を合成できる新しい生成モデルを提案する。
我々は、雑音の識別可能な潜在特徴を学習するために、最近のコントラスト学習を採用する。
本モデルでは,単一の基準雑音画像からのみノイズ特性を伝達することにより,新しい雑音画像を生成することができる。
論文 参考訳（メタデータ） (2023-01-31T11:09:15Z) - FSID: Fully Synthetic Image Denoising via Procedural Scene Generation [12.277286575812441]
低レベルの視覚タスクに適した手続き型合成データ生成パイプラインとデータセットを開発する。
我々のUnrealエンジンベースの合成データパイプラインは、ランダムな3Dオブジェクト、材料、幾何学的変換の組み合わせで、大きなシーンをアルゴリズムで生成します。
そこで我々は,CNNに基づく復調モデルの訓練と検証を行い,この合成データのみを用いてトレーニングしたモデルが競争性のある復調結果が得られることを示した。
論文 参考訳（メタデータ） (2022-12-07T21:21:55Z) - Estimating Fine-Grained Noise Model via Contrastive Learning [11.626812663592416]
本稿では,現実的な雑音画像生成のための革新的なノイズモデル推定とノイズ合成パイプラインを提案する。
本モデルでは, 微粒な統計的雑音モデルを用いた雑音推定モデルについて, 対照的に学習する。
いくつかのセンサのノイズモデルを校正することで、我々のモデルは他のカメラを予測できるように拡張することができる。
論文 参考訳（メタデータ） (2022-04-03T02:35:01Z) - Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。
それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
論文 参考訳（メタデータ） (2021-10-10T10:45:24Z) - Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。
実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。
我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
論文 参考訳（メタデータ） (2021-08-04T16:36:29Z) - Adaptive noise imitation for image denoising [58.21456707617451]
本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。
現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。
ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
論文 参考訳（メタデータ） (2020-11-30T02:49:36Z) - A Physics-based Noise Formation Model for Extreme Low-light Raw
Denoising [34.98772175073111]
CMOS光センサの特性に基づく高精度なノイズ生成モデルを提案する。
また,現代のデジタルカメラにおけるノイズパラメータの校正手法を提案する。
論文 参考訳（メタデータ） (2020-03-28T09:16:48Z) - 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。