Fugu-MT 論文翻訳(概要): Cascading Refinement Video Denoising with Uncertainty Adaptivity

論文の概要: Cascading Refinement Video Denoising with Uncertainty Adaptivity

arxiv url: http://arxiv.org/abs/2408.02284v1
Date: Mon, 5 Aug 2024 07:34:44 GMT
ステータス: 処理完了
システム内更新日: 2024-08-06 14:16:18.639136
Title: Cascading Refinement Video Denoising with Uncertainty Adaptivity
Title（参考訳）: 不確かさ適応性でデノベートするカスケードリファインメントビデオ
Authors: Xinyuan Yu,
Abstract要約: 本稿では,画像のアライメントと復元を同時に行うカスケード精細ビデオ復調手法を提案する。この方法を適用することで、計算全体の平均25%が削減された。
参考スコア（独自算出の注目度）: 2.50194939587674
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate alignment is crucial for video denoising. However, estimating alignment in noisy environments is challenging. This paper introduces a cascading refinement video denoising method that can refine alignment and restore images simultaneously. Better alignment enables restoration of more detailed information in each frame. Furthermore, better image quality leads to better alignment. This method has achieved SOTA performance by a large margin on the CRVD dataset. Simultaneously, aiming to deal with multi-level noise, an uncertainty map was created after each iteration. Because of this, redundant computation on the easily restored videos was avoided. By applying this method, the entire computation was reduced by 25% on average.
Abstract（参考訳）: 正確なアライメントはビデオのデノゲーションに不可欠だ。しかし、ノイズの多い環境でのアライメントの推定は困難である。本稿では,画像のアライメントと復元を同時に行うカスケード精細ビデオ復調手法を提案する。より優れたアライメントにより、各フレームにおけるより詳細な情報の復元が可能になる。さらに、画像の品質が向上すると、アライメントも向上する。この手法は, CRVDデータセットにおいて大きなマージンでSOTA性能を達成している。同時に、複数レベルのノイズに対処するために、各イテレーション後に不確実性マップが作成された。このため、簡単に復元できるビデオの冗長な計算は避けられた。この方法を適用することで、計算全体の平均25%が削減された。

関連論文リスト

Combining Pre- and Post-Demosaicking Noise Removal for RAW Video [2.772895608190934]
Denoisingは、カメラセンサーが捉えたデータをディスプレイ対応の画像やビデオに変換する処理パイプラインの基本ステップの1つである。本研究では,ベイアパターンのCFAビデオデータに対して,事前および復号化後のデノイザを重み付けする自己相似型デノイザ方式を提案する。両者のバランスが画像品質の向上につながることを示し、高ノイズレベルがより高影響のプレデモーザックの恩恵を受けることを実証的に見出した。
論文参考訳（メタデータ） (2024-10-03T15:20:19Z)
Video DataFlywheel: Resolving the Impossible Data Trinity in Video-Language Understanding [61.89781979702939]
本研究では,事前学習データセットにおけるデータ量,多様性,品質の「不可能トリニティ」を定量的に明らかにする。近年の取り組みは、合成アノテーションによって低品質で妥協された大規模で多様なASRデータセットを改良することを目指している。我々は,ビデオアノテーションを改良されたノイズコントロール手法で反復的に洗練するVideo DataFlywheelフレームワークを紹介する。
論文参考訳（メタデータ） (2024-09-29T03:33:35Z)
Temporal As a Plugin: Unsupervised Video Denoising with Pre-Trained Image Denoisers [30.965705043127144]
本稿では,TAP (Temporal As aTAP) という,教師なしのビデオデノベーションフレームワークを提案する。時間的加群を組み込むことで、ノイズの多いフレームをまたがる時間的情報を活用することができ、空間的 denoising のパワーを補完することができる。他の教師なしビデオ復号化手法と比較して,本フレームワークは,SRGBと生ビデオ復号化データセットの両方において優れた性能を示す。
論文参考訳（メタデータ） (2024-09-17T15:05:33Z)
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)
RViDeformer: Efficient Raw Video Denoising Transformer with a Larger Benchmark Dataset [16.131438855407175]
教師付き生ビデオのデノベーションのためのリアルな動きを持つ大規模なデータセットは存在しない。ノイズクリーンな120グループからなるビデオデノケーションデータセット(ReCRVDと名づけられた)を構築した。短距離・長距離の相関関係を探索するRViDeformer(RViDeformer)を提案する。
論文参考訳（メタデータ） (2023-05-01T11:06:58Z)
Event-based Camera Simulation using Monte Carlo Path Tracing with Adaptive Denoising [10.712584582512811]
イベントベースのビデオは、ノイズのある明るさ値から変化を検出するプロセスと見なすことができる。重み付き局所回帰に基づく復調法を拡張し,明るさ変化を検出する。
論文参考訳（メタデータ） (2023-03-05T08:44:01Z)
Deep Parametric 3D Filters for Joint Video Denoising and Illumination Enhancement in Video Super Resolution [96.89588203312451]
本稿では,Deep Parametric 3D Filters (DP3DF) と呼ばれる新しいパラメトリック表現を提案する。 DP3DFは、ローカル情報を組み込んで、単一エンコーダ/デコーダネットワークにおいて、同時復調、照明強化、SRを効率的に実現している。また、動的残留フレームを共有バックボーンを介してDP3DFと共同で学習し、SR品質をさらに向上させる。
論文参考訳（メタデータ） (2022-07-05T03:57:25Z)
MANet: Improving Video Denoising with a Multi-Alignment Network [72.93429911044903]
本稿では,複数フローの提案とアテンションに基づく平均化を行うマルチアライメントネットワークを提案する。大規模ビデオデータセットを用いた実験により,本手法は調音ベースラインモデルを0.2dBで改善することを示した。
論文参考訳（メタデータ） (2022-02-20T00:52:07Z)
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)
Learning Spatial and Spatio-Temporal Pixel Aggregations for Image and Video Denoising [104.59305271099967]
ピクセル集計ネットワークを提示し、画像デノイジングのためのピクセルサンプリングと平均戦略を学びます。時間空間にまたがるサンプル画素をビデオデノナイズするための画素集約ネットワークを開発した。本手法は,動的シーンにおける大きな動きに起因する誤認問題を解決することができる。
論文参考訳（メタデータ） (2021-01-26T13:00:46Z)
Learning Model-Blind Temporal Denoisers without Ground Truths [46.778450578529814]
合成データで訓練されたデノイザーは、未知のノイズの多様性に対処できないことが多い。従来の画像ベース手法は、ビデオデノイザに直接適用した場合、ノイズが過度に収まる。本稿では,これらの課題に対処する上で有効な,ビデオ・デノベーション・ネットワークの汎用フレームワークを提案する。
論文参考訳（メタデータ） (2020-07-07T07:19:48Z)

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。