論文の概要: AdapNet: Adaptive Noise-Based Network for Low-Quality Image Retrieval
- arxiv url: http://arxiv.org/abs/2405.17718v1
- Date: Tue, 28 May 2024 00:25:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-29 22:51:42.267044
- Title: AdapNet: Adaptive Noise-Based Network for Low-Quality Image Retrieval
- Title（参考訳）: AdapNet:低品質画像検索のための適応型ノイズベースネットワーク
- Authors: Sihe Zhang, Qingdong He, Jinlong Peng, Yuxi Li, Zhengkai Jiang, Jiafu Wu, Mingmin Chi, Yabiao Wang, Chengjie Wang,
- Abstract要約: 本稿では,ロバストな抽象表現を学習するための適応ノイズベースネットワーク(AdapNet)を提案する。
AdapNetは、Noss Revisited OxfordとNoss Revisited Parisベンチマークの最先端の手法を超越している。
- 参考スコア（独自算出の注目度）: 41.9012882549912
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image retrieval aims to identify visually similar images within a database using a given query image. Traditional methods typically employ both global and local features extracted from images for matching, and may also apply re-ranking techniques to enhance accuracy. However, these methods often fail to account for the noise present in query images, which can stem from natural or human-induced factors, thereby negatively impacting retrieval performance. To mitigate this issue, we introduce a novel setting for low-quality image retrieval, and propose an Adaptive Noise-Based Network (AdapNet) to learn robust abstract representations. Specifically, we devise a quality compensation block trained to compensate for various low-quality factors in input images. Besides, we introduce an innovative adaptive noise-based loss function, which dynamically adjusts its focus on the gradient in accordance with image quality, thereby augmenting the learning of unknown noisy samples during training and enhancing intra-class compactness. To assess the performance, we construct two datasets with low-quality queries, which is built by applying various types of noise on clean query images on the standard Revisited Oxford and Revisited Paris datasets. Comprehensive experimental results illustrate that AdapNet surpasses state-of-the-art methods on the Noise Revisited Oxford and Noise Revisited Paris benchmarks, while maintaining competitive performance on high-quality datasets. The code and constructed datasets will be made available.
- Abstract（参考訳）: 画像検索は、与えられたクエリ画像を使用して、データベース内で視覚的に類似した画像を特定することを目的としている。
従来の手法では、マッチングのために画像から抽出された大域的特徴と局所的特徴の両方を使用し、精度を高めるために再分類技術を適用することもある。
しかし,これらの手法は,自然要因や人為要因から生じる問合せ画像のノイズを考慮できないことが多く,検索性能に悪影響を及ぼす。
この問題を軽減するために,低品質画像検索のための新しい設定を導入し,ロバストな抽象表現を学習するための適応ノイズベースネットワーク(AdapNet)を提案する。
具体的には、入力画像の様々な低品質要因を補うために訓練された品質補償ブロックを考案する。
さらに、画像品質に応じて勾配にフォーカスを動的に調整し、トレーニング中に未知の雑音サンプルの学習を増強し、クラス内コンパクト性を高める、革新的な適応ノイズベース損失関数を導入する。
この性能を評価するために,標準のRevisited OxfordとRevisited Parisのデータセット上で,クリーンなクエリ画像に様々な種類のノイズを適用して構築した,低品質なクエリを持つ2つのデータセットを構築した。
総合的な実験的結果は、AdapNetが高品質なデータセットの競合性能を維持しながら、Noss Revisited OxfordとNoss Revisited Parisベンチマークの最先端の手法を超越していることを示している。
コードと構築されたデータセットが利用可能になる。
関連論文リスト
- Learning-Based and Quality Preserving Super-Resolution of Noisy Images [0.0]
本稿では,雑音の存在を考慮し,入力画像の特性を保存する学習手法を提案する。
Cineca Marconi100クラスタ上で、トップ500リストの26位でテストを行います。
論文 参考訳（メタデータ） (2023-11-03T22:00:50Z) - 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) - Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。
事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。
識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
論文 参考訳（メタデータ） (2022-07-19T14:35:42Z) - Embedding contrastive unsupervised features to cluster in- and
out-of-distribution noise in corrupted image datasets [18.19216557948184]
Web画像検索に検索エンジンを使用することは、イメージデータセットを作成する際の手作業によるキュレーションに代わる誘惑的な手段である。
主な欠点は、回収された間違った(ノイズの多い)サンプルの割合である。
本稿では,教師なしのコントラスト特徴学習を用いた検出ステップから始める2段階のアルゴリズムを提案する。
比較学習のアライメントと均一性原理により,OODサンプルは単位超球面上のIDサンプルから線形に分離できることがわかった。
論文 参考訳（メタデータ） (2022-07-04T16:51:56Z) - Learning to Generate Realistic Noisy Images via Pixel-level Noise-aware
Adversarial Training [50.018580462619425]
我々は,PNGAN(Pixel-level Noise-aware Generative Adrial Network)という新しいフレームワークを提案する。
PNGANは、トレーニング済みのリアルデノイザーを使用して、フェイク画像とリアルノイズ画像をほぼノイズのないソリューション空間にマッピングする。
より優れたノイズフィッティングを実現するため,ジェネレータとしてSimple Multi-versa-scale Network (SMNet) を提案する。
論文 参考訳（メタデータ） (2022-04-06T14:09:02Z) - Geodesic Gramian Denoising Applied to the Images Contaminated With Noise
Sampled From Diverse Probability Distributions [0.2578242050187029]
選択した画像から5つの顕著な確率分布からサンプリングされた雑音を除去する文法に基づくフィルタリング手法
ピクセルではなく、画像から分割されたパッチを採用することで、画像の滑らかさを保ちます。
3つのベンチマークコンピュータビジョンテスト画像を2つの最先端の復調法に適用し,その復調性能を検証した。
論文 参考訳（メタデータ） (2022-03-04T22:48:12Z) - 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) - Influence of image noise on crack detection performance of deep
convolutional neural networks [0.0]
深層畳み込みニューラルネットワークを用いた画像データからのひび割れの分類について多くの研究がなされている。
本稿では,画像ノイズがネットワークの精度に与える影響について検討する。
AlexNetは提案したインデックスに基づいて最も効率的なモデルに選ばれた。
論文 参考訳（メタデータ） (2021-11-03T09:08:54Z) - Image Quality Assessment using Contrastive Learning [50.265638572116984]
我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。
本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。
以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
論文 参考訳（メタデータ） (2021-10-25T21:01:00Z)
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。