論文の概要: Low-Trace Adaptation of Zero-shot Self-supervised Blind Image Denoising
- arxiv url: http://arxiv.org/abs/2403.12382v1
- Date: Tue, 19 Mar 2024 02:47:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-20 15:41:42.546410
- Title: Low-Trace Adaptation of Zero-shot Self-supervised Blind Image Denoising
- Title（参考訳）: ゼロショット自己監督ブラインド画像の低軌道適応
- Authors: Jintong Hu, Bin Xia, Bingchen Li, Wenming Yang,
- Abstract要約: 自己教師型学習と教師型学習のギャップを埋めるために,トレース制約損失関数と低トレース適応型ノイズ2ノイズ(LoTA-N2N)モデルを提案する。
本手法は,ゼロショット自己監督型画像復調手法の領域内での最先端性能を実現する。
- 参考スコア（独自算出の注目度）: 23.758547513866766
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning-based denoiser has been the focus of recent development on image denoising. In the past few years, there has been increasing interest in developing self-supervised denoising networks that only require noisy images, without the need for clean ground truth for training. However, a performance gap remains between current self-supervised methods and their supervised counterparts. Additionally, these methods commonly depend on assumptions about noise characteristics, thereby constraining their applicability in real-world scenarios. Inspired by the properties of the Frobenius norm expansion, we discover that incorporating a trace term reduces the optimization goal disparity between self-supervised and supervised methods, thereby enhancing the performance of self-supervised learning. To exploit this insight, we propose a trace-constraint loss function and design the low-trace adaptation Noise2Noise (LoTA-N2N) model that bridges the gap between self-supervised and supervised learning. Furthermore, we have discovered that several existing self-supervised denoising frameworks naturally fall within the proposed trace-constraint loss as subcases. Extensive experiments conducted on natural and confocal image datasets indicate that our method achieves state-of-the-art performance within the realm of zero-shot self-supervised image denoising approaches, without relying on any assumptions regarding the noise.
- Abstract（参考訳）: ディープラーニングベースのDenoiserは、最近の画像のデノーミングに焦点を合わせている。
近年,ノイズの多い画像のみを必要とする自己監督型デノベーションネットワークの開発への関心が高まっている。
しかし、現在の自己管理手法と教師付き手法の間には、パフォーマンスのギャップが残っている。
さらに、これらの手法は一般的にノイズ特性に関する仮定に依存し、現実のシナリオにおける適用性を制約する。
フロベニウスのノルム展開の特性に着想を得て、トレース項を組み込むことで、自己教師付き手法と教師付き手法の最適化目標の相違が軽減され、自己教師付き学習の性能が向上することを発見した。
この知見を活かして,自己教師型学習と教師型学習のギャップを埋める低トレース適応型ノイズ2ノイズ(LoTA-N2N)モデルを提案する。
さらに,既存の自己監督型デノベーションフレームワークが,サブケースとして提案されたトレース制約損失に自然に該当していることが判明した。
自然・共焦点画像データセットを用いた広汎な実験により,ノイズに関する仮定に頼らずに,ゼロショット自己監督画像デノナイジングアプローチの領域内で最先端の性能を実現することが示唆された。
関連論文リスト
- Self2Self+: Single-Image Denoising with Self-Supervised Learning and
Image Quality Assessment Loss [4.035753155957699]
提案手法は,合成および実世界の両方のデータセット上で,最先端の復調性能を実現する。
このことは,様々なノイズ除去タスクに対する潜在的な解決策として,本手法の有効性と実用性を強調している。
論文 参考訳（メタデータ） (2023-07-20T08:38:01Z) - 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) - Exploring Efficient Asymmetric Blind-Spots for Self-Supervised Denoising in Real-World Scenarios [44.31657750561106]
実世界のシナリオにおけるノイズはしばしば空間的に相関しており、多くの自己教師型アルゴリズムは性能が良くない。
盲点サイズを自由に調整できる非対称可変ブラインド・スポットネットワーク(AT-BSN)を提案する。
提案手法は最先端技術を実現し,計算オーバーヘッドや視覚効果の観点から,他の自己教師付きアルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-03-29T15:19:01Z) - Enhancing convolutional neural network generalizability via low-rank weight approximation [6.763245393373041]
十分なノイズ処理は、画像処理にとって重要な第一歩であることが多い。
ディープニューラルネットワーク(DNN)は画像のノイズ化に広く利用されている。
本研究では,タッカー低ランクテンソル近似に基づく自己教師付き画像復調フレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-26T14:11:05Z) - Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。
提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-04-05T12:46:36Z) - IDR: Self-Supervised Image Denoising via Iterative Data Refinement [66.5510583957863]
本稿では,最先端のデノナイジング性能を実現するために,教師なしの実用的なデノナイジング手法を提案する。
本手法では, 1つのノイズ画像と1つのノイズモデルしか必要とせず, 実際の生画像に容易にアクセス可能である。
実世界のアプリケーションにおける生画像復調性能を評価するため,500シーンのシーンを含む高品質な生画像データセットSenseNoise-500を構築した。
論文 参考訳（メタデータ） (2021-11-29T07:22:53Z) - Noise2Same: Optimizing A Self-Supervised Bound for Image Denoising [54.730707387866076]
本稿では,新しい自己教師型デノベーションフレームワークであるNoss2Sameを紹介する。
特にノイズ2Sameは、ノイズモデルに関するJ-不変性や余分な情報を必要としない。
以上の結果から,ノイズ2Sameは従来の自己監督型遮音法よりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2020-10-22T18:12:26Z) - Improving Blind Spot Denoising for Microscopy [73.94017852757413]
自己監督型認知の質を向上させる新しい方法を提案する。
我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
論文 参考訳（メタデータ） (2020-08-19T13:06:24Z) - Unsupervised Image Restoration Using Partially Linear Denoisers [2.3061446605472558]
本稿では, 非線形画像依存写像, 線形雑音依存項, 残差項の和として分解可能な構造付きデノイザのクラスを提案する。
雑音が平均値と既知分散度をゼロとする条件下では,ノイズのみを学習できることを示す。
本手法は, 学習にクリーンな画像を必要としない, 教師なし, 自己監督型ディープ・デノゲーション・モデルよりも優れている。
論文 参考訳（メタデータ） (2020-08-14T02:13:19Z) - Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。
本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
論文 参考訳（メタデータ） (2019-08-29T15:54:06Z)
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。