論文の概要: Self-Calibrated Variance-Stabilizing Transformations for Real-World Image Denoising

• arxiv url: http://arxiv.org/abs/2407.17399v1
• Date: Wed, 24 Jul 2024 16:23:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-25 13:15:22.797479
• Title: Self-Calibrated Variance-Stabilizing Transformations for Real-World Image Denoising
• Title（参考訳）: 実世界の画像復調のための自己校正可変安定化変換
• Authors: Sébastien Herbreteau, Michael Unser,
• Abstract要約: 教師付き深層学習が画像認知のための選択方法となっている。 一般の信条とは対照的に,ガウスノイズ除去に特化するネットワークを有効活用し,実世界の画像復調に有効であることを示す。
• 参考スコア（独自算出の注目度）: 19.08732222562782
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Supervised deep learning has become the method of choice for image denoising. It involves the training of neural networks on large datasets composed of pairs of noisy and clean images. However, the necessity of training data that are specific to the targeted application constrains the widespread use of denoising networks. Recently, several approaches have been developed to overcome this difficulty by whether artificially generating realistic clean/noisy image pairs, or training exclusively on noisy images. In this paper, we show that, contrary to popular belief, denoising networks specialized in the removal of Gaussian noise can be efficiently leveraged in favor of real-world image denoising, even without additional training. For this to happen, an appropriate variance-stabilizing transform (VST) has to be applied beforehand. We propose an algorithm termed Noise2VST for the learning of such a model-free VST. Our approach requires only the input noisy image and an off-the-shelf Gaussian denoiser. We demonstrate through extensive experiments the efficiency and superiority of Noise2VST in comparison to existing methods trained in the absence of specific clean/noisy pairs.
• Abstract（参考訳）: 教師付き深層学習が画像認知のための選択方法となっている。 これには、ノイズの多い画像とクリーンな画像のペアからなる大きなデータセット上で、ニューラルネットワークのトレーニングが含まれる。 しかし、対象のアプリケーションに特有のトレーニングデータの必要性は、デノナイジングネットワークの利用を広く制限する。 近年,現実的なクリーン/ノイズの多いイメージペアを人工的に生成するか,ノイズの多いイメージのみをトレーニングするか,という課題を克服するために,いくつかのアプローチが開発されている。 本稿では,一般の信条とは対照的に,ガウスノイズ除去に特化しているネットワークを効率よく活用し,付加的な訓練を伴わずに実世界の画像復調に活用できることを述べる。 これを実現するためには、予め適切な分散安定化変換(VST)を適用する必要がある。 本研究では,そのようなモデルのないVSTの学習のためのNoss2VSTというアルゴリズムを提案する。 提案手法では,入力ノイズ像とオフザシェルフガウスデノイザのみを必要とする。 本研究では,ノイズ2VSTの有効性と優位性を,特定のクリーン/ノイズペアが存在しない場合に訓練された既存手法と比較した。

関連論文リスト

• 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)
• 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)
• Deep Variation Prior: Joint Image Denoising and Noise Variance Estimation without Clean Data [2.3061446605472558]
  本稿では,1つの共同学習フレームワークにおける画像復調と雑音分散推定の課題について検討する。 我々は、教師なしのディープラーニングフレームワークであるDVPを構築し、デノイザを同時に学習し、ノイズ分散を推定する。 提案手法では, クリーンなトレーニング画像やノイズ推定の外部ステップは必要とせず, ノイズ画像のみを用いて最小2乗誤差を近似する。
  論文  参考訳（メタデータ） (2022-09-19T17:29:32Z)
• 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)
• Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
  Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。 ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。 デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
  論文  参考訳（メタデータ） (2021-01-08T02:03:25Z)
• Noise2Kernel: Adaptive Self-Supervised Blind Denoising using a Dilated Convolutional Kernel Architecture [3.796436257221662]
  本研究では,不変性を満たす拡張畳み込みネットワークを提案し,ランダムマスキングを使わずに効率的なカーネルベーストレーニングを実現する。 また,ゼロ平均制約を回避し,塩とペッパーまたはハイブリッドノイズの除去に有効である適応型自己超過損失を提案する。
  論文  参考訳（メタデータ） (2020-12-07T12:13:17Z)
• Unpaired Learning of Deep Image Denoising [80.34135728841382]
  本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。 自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。 実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
  論文  参考訳（メタデータ） (2020-08-31T16:22:40Z)
• Dual Adversarial Network: Toward Real-world Noise Removal and Noise Generation [52.75909685172843]
  実世界の画像ノイズ除去は、コンピュータビジョンにおける長年の課題である。 本稿では,ノイズ除去およびノイズ発生タスクに対処する新しい統合フレームワークを提案する。 本手法はクリーンノイズ画像対の連成分布を学習する。
  論文  参考訳（メタデータ） (2020-07-12T09:16:06Z)
• 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。