論文の概要: How to Best Combine Demosaicing and Denoising?

• arxiv url: http://arxiv.org/abs/2408.06684v1
• Date: Tue, 13 Aug 2024 07:23:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-14 18:26:42.281212
• Title: How to Best Combine Demosaicing and Denoising?
• Title（参考訳）: デモサイジングとデノナイジングをうまく組み合わせるには?
• Authors: Yu Guo, Qiyu Jin, Jean-Michel Morel, Gabriele Facciolo,
• Abstract要約: 分解と分解は 生画像パイプラインにおいて 重要な役割を担っています ほとんどの復号法はノイズフリー画像の復号化に対処する。 本当の問題は、ノイズの多い生画像の合成と分解だ。
• 参考スコア（独自算出の注目度）: 16.921538543268216
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image demosaicing and denoising play a critical role in the raw imaging pipeline. These processes have often been treated as independent, without considering their interactions. Indeed, most classic denoising methods handle noisy RGB images, not raw images. Conversely, most demosaicing methods address the demosaicing of noise free images. The real problem is to jointly denoise and demosaic noisy raw images. But the question of how to proceed is still not yet clarified. In this paper, we carry-out extensive experiments and a mathematical analysis to tackle this problem by low complexity algorithms. Indeed, both problems have been only addressed jointly by end-to-end heavy weight convolutional neural networks (CNNs), which are currently incompatible with low power portable imaging devices and remain by nature domain (or device) dependent. Our study leads us to conclude that, with moderate noise, demosaicing should be applied first, followed by denoising. This requires a simple adaptation of classic denoising algorithms to demosaiced noise, which we justify and specify. Although our main conclusion is ``demosaic first, then denoise'', we also discover that for high noise, there is a moderate PSNR gain by a more complex strategy: partial CFA denoising followed by demosaicing, and by a second denoising on the RGB image. These surprising results are obtained by a black-box optimization of the pipeline, which could be applied to any other pipeline. We validate our results on simulated and real noisy CFA images obtained from several benchmarks.
• Abstract（参考訳）: 画像の復調と復調は生画像パイプラインにおいて重要な役割を担っている。 これらの過程は、しばしば相互作用を考慮せずに独立して扱われる。 実際、ほとんどの古典的な復調法は、生画像ではなくノイズの多いRGB画像を扱う。 逆に、ほとんどの復調法はノイズフリー画像の復調に対処する。 本当の問題は、ノイズの多い生画像の合成と分解を共同で行うことだ。 しかし、どのように進めるかという問題は、まだ明らかになっていない。 本稿では,この問題を低複雑性アルゴリズムで解くために,広範な実験と数学的解析を行う。 実際、どちらの問題もエンドツーエンドの重畳畳み込みニューラルネットワーク(CNN)によってのみ解決され、現在は低消費電力のポータブルイメージングデバイスと互換性がなく、自然領域(またはデバイス)に依存している。 我々の研究は、中程度の雑音では、まずデモセッシングを適用すべきであり、次にデノベーションを実施すべきである、という結論を導いた。 これは、ノイズを復調するために古典的復調アルゴリズムの簡単な適応が必要であり、これを正当化し、指定する。 主な結論は「まずはデモザイク、次にデノネーズ」であるが、高雑音の場合、より複雑な戦略として、部分的なCFAデノナイジングと復調、RGBイメージの第二のデノナイジングがある。 これらの驚くべき結果は、パイプラインのブラックボックス最適化によって得られる。 いくつかのベンチマークから得られたシミュレートされた実雑音CFA画像に対して,本結果の有効性を検証した。

関連論文リスト

• 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)
• 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)
• 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)
• Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
  センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。 それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
  論文  参考訳（メタデータ） (2021-10-10T10:45:24Z)
• Noise2Score: Tweedie's Approach to Self-Supervised Image Denoising without Clean Images [35.41467558264341]
  異なるアプローチを統合するために,ノイズ2スコアと呼ばれる新しい手法を提案する。 具体的には,後部分布のモードを見つけることで,クリーンな画像のない画像認識問題に対処できることを示す。 そこで本手法では,残差復調オートエンコーダを用いて雑音画像からスコア関数を安定に推定する手法を提案する。
  論文  参考訳（メタデータ） (2021-06-13T14:41:09Z)
• 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)
• Joint Demosaicking and Denoising Benefits from a Two-stage Training Strategy [28.69029171306052]
  カラー画像生成パイプラインの最初の2つの重要なステップは、画像の復号化と復号化である。 本稿では,ハイブリッド機械学習手法を用いてこの問題に対処する。 従来の手法と残差畳み込みニューラルネットワーク(CNN)を組み合わせたノイズレス画像に基づく復調アルゴリズムについて検討した。
  論文  参考訳（メタデータ） (2020-09-14T05:23:58Z)
• A Review of an Old Dilemma: Demosaicking First, or Denoising First? [16.328866317851183]
  ノイズの多いカラーフィルタアレイ(CFA)画像からフルカラー画像を再構成することを目的として,デノイングとデシザックを行う。 本稿では,これらの戦略の主な変種を概説し,ノイズの多いモザイクからフルカラーイメージを再構築する最善の方法を見つけるために,広範囲な評価を行う。
  論文  参考訳（メタデータ） (2020-04-24T07:32:17Z)
• CycleISP: Real Image Restoration via Improved Data Synthesis [166.17296369600774]
  本稿では,前向きと逆方向のカメラ画像パイプラインをモデル化するフレームワークを提案する。 リアルな合成データに基づいて新しい画像認識ネットワークをトレーニングすることにより、実際のカメラベンチマークデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-03-17T15:20:25Z)
• Handling noise in image deblurring via joint learning [0.3407858371718068]
  多くのブラインドデブロワー法は、ぼやけた画像はノイズのないものと仮定し、ノイズのあるぼやけた画像に対して不満足に処理する。 本稿では,デノイザサブネットワークとデブロワーサブネットワークからなるカスケードフレームワークを提案する。 共同学習は, 脱臭後の残音が脱臭に及ぼす影響を低減し, 重騒音に対する脱臭の堅牢性を向上させる。
  論文  参考訳（メタデータ） (2020-01-27T12:59:52Z)
• 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。