論文の概要: Linear Attention Based Deep Nonlocal Means Filtering for Multiplicative Noise Removal

• arxiv url: http://arxiv.org/abs/2407.05087v1
• Date: Sat, 6 Jul 2024 14:22:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-09 21:08:14.151679
• Title: Linear Attention Based Deep Nonlocal Means Filtering for Multiplicative Noise Removal
• Title（参考訳）: 重畳雑音除去のための線形アテンションに基づく深部非局所平均フィルタ
• Authors: Xiao Siyao, Huang Libing, Zhang Shunsheng,
• Abstract要約: 乗法ノイズはレーダー画像、医療画像、その他の重要な分野の画像に広く存在している。 我々は、ディープラーニングを用いた非局所平均アルゴリズムを線形化し、線形アテンション機構に基づく深部非局所平均フィルタリング(LDNLM)を提案する。 実乗法と模擬乗法の両方の実験により、LDNLMは最先端の手法よりも競争力が高いことが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multiplicative noise widely exists in radar images, medical images and other important fields' images. Compared to normal noises, multiplicative noise has a generally stronger effect on the visual expression of images. Aiming at the denoising problem of multiplicative noise, we linearize the nonlocal means algorithm with deep learning and propose a linear attention mechanism based deep nonlocal means filtering (LDNLM). Starting from the traditional nonlocal means filtering, we employ deep channel convolution neural networks to extract the information of the neighborhood matrix and obtain representation vectors of every pixel. Then we replace the similarity calculation and weighted averaging processes with the inner operations of the attention mechanism. To reduce the computational overhead, through the formula of similarity calculation and weighted averaging, we derive a nonlocal filter with linear complexity. Experiments on both simulated and real multiplicative noise demonstrate that the LDNLM is more competitive compared with the state-of-the-art methods. Additionally, we prove that the LDNLM possesses interpretability close to traditional NLM.
• Abstract（参考訳）: 乗法ノイズはレーダー画像、医療画像、その他の重要な分野の画像に広く存在している。 通常の雑音と比較して、乗法ノイズは画像の視覚的表現に概して強い影響を与える。 乗法雑音の重畳問題に着目し,非局所的手段アルゴリズムをディープラーニングで線形化し,線形注意機構に基づく深部非局所的手段フィルタリング(LDNLM)を提案する。 従来の非局所的手段フィルタリングから、我々はディープチャネル畳み込みニューラルネットワークを用いて近隣行列の情報を取り出し、各画素の表現ベクトルを得る。 次に、類似性計算と重み付け平均化処理をアテンション機構の内部操作に置き換える。 計算オーバーヘッドを低減するために、類似性計算と重み付け平均化の式を用いて、線形複雑性を持つ非局所フィルタを導出する。 実乗法と模擬乗法の両方の実験により、LDNLMは最先端の手法よりも競争力が高いことが示された。 さらに,LDNLMは従来のNLMに近い解釈性を有することを示す。

関連論文リスト

• 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)
• Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
  本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。 提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。 提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
  論文  参考訳（メタデータ） (2023-03-23T09:33:44Z)
• Deep Dynamic Scene Deblurring from Optical Flow [53.625999196063574]
  汚れは視覚的により快適な写真を提供し、写真がより便利になる。 非均一な曖昧さを数学的にモデル化することは困難である。 我々は,難解な特徴から鮮明な画像を復元する畳み込みニューラルネットワーク(CNN)を開発した。
  論文  参考訳（メタデータ） (2023-01-18T06:37:21Z)
• 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)
• Boundary between noise and information applied to filtering neural network weight matrices [0.0]
  本稿では,小さな特異値を取り除き,大きな特異値の大きさを小さくするノイズフィルタリングアルゴリズムを提案する。 ラベルノイズの存在下で訓練されたネットワークでは,ノイズフィルタリングにより一般化性能が著しく向上することがわかった。
  論文  参考訳（メタデータ） (2022-06-08T14:42:36Z)
• Poisson2Sparse: Self-Supervised Poisson Denoising From a Single Image [34.27748767631027]
  本稿では,単一画像の自己教師型学習手法を提案する。 繰り返しニューラルネットワークを用いた画像復調のための従来の反復最適化アルゴリズムを近似する。 提案手法はPSNRとSSIMの両面で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2022-06-04T00:08:58Z)
• 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)
• 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)
• Patch-based Non-Local Bayesian Networks for Blind Confocal Microscopy Denoising [16.500900167849682]
  我々はベイズ深層学習の枠組みにおけるNLBの強みを活用することを提案する。 我々は畳み込みニューラルネットワークを設計し、それを訓練してガウスモデルのパラメータを学習する。 次にベイズ推論を適用し、ノイズフリーパッチを近似する過程においてノイズフリーパッチからの事前情報と情報を活用する。
  論文  参考訳（メタデータ） (2020-03-25T01:49:58Z)
• ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising [52.01041506447195]
  ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。 実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-04T08:36:27Z)
• 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。