論文の概要: Fast, nonlocal and neural: a lightweight high quality solution to image denoising

• arxiv url: http://arxiv.org/abs/2403.03488v1
• Date: Wed, 6 Mar 2024 06:12:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-07 16:08:23.247751
• Title: Fast, nonlocal and neural: a lightweight high quality solution to image denoising
• Title（参考訳）: fast, nonlocal, neural: 画像のデノイジングに対する軽量な高品質なソリューション
• Authors: Yu Guo, Axel Davy, Gabriele Facciolo, Jean-Michel Morel, Qiyu Jin
• Abstract要約: 畳み込みニューラルネットワーク(CNN)は、モデルベースの復調アルゴリズムにより、今やパフォーマンスが向上している。 本稿では,非局所アルゴリズムと軽量残差CNNを組み合わせた解を提案する。 提案手法はCNNの10倍から20倍の高速化を実現し,PSNRが向上した。
• 参考スコア（独自算出の注目度）: 19.306450225657414
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the widespread application of convolutional neural networks (CNNs), the traditional model based denoising algorithms are now outperformed. However, CNNs face two problems. First, they are computationally demanding, which makes their deployment especially difficult for mobile terminals. Second, experimental evidence shows that CNNs often over-smooth regular textures present in images, in contrast to traditional non-local models. In this letter, we propose a solution to both issues by combining a nonlocal algorithm with a lightweight residual CNN. This solution gives full latitude to the advantages of both models. We apply this framework to two GPU implementations of classic nonlocal algorithms (NLM and BM3D) and observe a substantial gain in both cases, performing better than the state-of-the-art with low computational requirements. Our solution is between 10 and 20 times faster than CNNs with equivalent performance and attains higher PSNR. In addition the final method shows a notable gain on images containing complex textures like the ones of the MIT Moire dataset.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)の広範な適用により、従来のモデルに基づく復調アルゴリズムは、現在より優れています。 しかし、CNNは2つの問題に直面している。 まず、計算能力が要求されるため、モバイル端末では特にデプロイが難しい。 第2に、実験的な証拠は、CNNが従来の非局所的なモデルとは対照的に、画像に存在する平滑な正規テクスチャがしばしば存在することを示している。 本稿では,非局所アルゴリズムと軽量残差CNNを組み合わせることで,両問題に対する解を提案する。 この解は両方のモデルの利点に完全な緯度を与える。 従来の非局所アルゴリズム(NLM)とBM3D(BM3D)の2つのGPU実装にこのフレームワークを適用し,計算能力の低い最先端技術よりも優れた性能を示す。 提案手法はCNNの10倍から20倍の高速化を実現し,PSNRが向上した。 さらに、最後の方法は、MIT Moireデータセットのような複雑なテクスチャを含むイメージに顕著な利得を示している。

関連論文リスト

• Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
  視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。 本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。 実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
  論文  参考訳（メタデータ） (2022-10-26T15:21:39Z)
• Instant Neural Graphics Primitives with a Multiresolution Hash Encoding [67.33850633281803]
  品質を犠牲にすることなく、より小さなネットワークを使用できる汎用的な新しい入力符号化を提案する。 小さなニューラルネットワークは、勾配降下によって値が最適化された訓練可能な特徴ベクトルの多分解能ハッシュテーブルによって拡張される。 数桁の高速化を実現し、高品質なニューラルネットワークプリミティブを数秒でトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-01-16T07:22:47Z)
• Learning from Images: Proactive Caching with Parallel Convolutional Neural Networks [94.85780721466816]
  本稿では,プロアクティブキャッシングのための新しいフレームワークを提案する。 モデルベースの最適化とデータ駆動技術を組み合わせて、最適化問題をグレースケールのイメージに変換する。 数値計算の結果,提案手法は71.6%の計算時間を0.8%のコストで削減できることがわかった。
  論文  参考訳（メタデータ） (2021-08-15T21:32:47Z)
• Content-Aware Convolutional Neural Networks [98.97634685964819]
  畳み込みニューラルネットワーク(CNN)は、畳み込み層の強力な特徴学習能力によって大きな成功を収めている。 本研究では,スムーズなウィンドウを自動的に検出し,元の大規模カーネルを置き換えるために1x1畳み込みカーネルを適用するContent-aware Convolution (CAC)を提案する。
  論文  参考訳（メタデータ） (2021-06-30T03:54:35Z)
• Variational Deep Image Denoising [26.77629755630694]
  畳み込みニューラルネットワーク(CNN)は、大規模なデータセットの助けを借りて画像のノイズ除去に優れたパフォーマンスを示しています。 目的関数の変動近似に基づく新しいベイズ的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-04-02T10:10:11Z)
• Deep Universal Blind Image Denoising [26.77629755630694]
  深層畳み込みニューラルネットワーク(cnns)は、大規模な合成データセットを組み込むことで、画像のノイズ化に大きな成功を収めている。 ベイズ的視点に基づく両手法の利点を生かしたCNNに基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-01-18T11:49:21Z)
• Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
  本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。 解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
  論文  参考訳（メタデータ） (2020-10-21T20:04:22Z)
• 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)
• Gated Texture CNN for Efficient and Configurable Image Denoising [6.09170287691728]
  畳み込みニューラルネットワーク(CNN)に基づく画像復調法は、ノイズ入力画像に含まれるノイズ成分を推定し、入力から推定されたノイズを減らしてクリーンイメージを復元する。 従来の denoising 手法では、入力から高周波情報(例えばテクスチャ)を除去する傾向がある。 本稿では,ゲートテクスチャCNN(GTCNN)を提案する。これはゲーティング機構を組み込むことで,CNNの各中間特徴マップからテクスチャ情報を慎重に取り除くように設計されている。 GTCNNは従来の最先端手法の4.8倍のパラメータを持つ。
  論文  参考訳（メタデータ） (2020-03-16T06:37:07Z)

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。