Fugu-MT 論文翻訳(概要): Influence of Depth Camera Noise Models on Respiration Estimation

論文の概要: Influence of Depth Camera Noise Models on Respiration Estimation

arxiv url: http://arxiv.org/abs/2411.10081v1
Date: Fri, 15 Nov 2024 09:50:31 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-18 15:38:15.916555
Title: Influence of Depth Camera Noise Models on Respiration Estimation
Title（参考訳）: 深度カメラ騒音モデルが呼吸推定に及ぼす影響
Authors: Maurice Rohr, Sebastian Dill,
Abstract要約: 本研究は,3次元レンダリングシミュレーションパイプラインの最初の成果であり,実測,深度カメラによる呼吸信号を生成するために,異なるノイズモデルに焦点を当てた。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Depth cameras are an interesting modality for capturing vital signs such as respiratory rate. Plenty approaches exist to extract vital signs in a controlled setting, but in order to apply them more flexibly for example in multi-camera settings, a simulated environment is needed to generate enough data for training and testing of new algorithms. We show first results of a 3D-rendering simulation pipeline that focuses on different noise models in order to generate realistic, depth-camera based respiratory signals using both synthetic and real respiratory signals as a baseline. While most noise can be accurately modelled as Gaussian in this context, we can show that as soon as the available image resolution is too low, the differences between different noise models surface.
Abstract（参考訳）: 深度カメラは呼吸速度などの重要な兆候を捉えるための興味深いモダリティである。制御された環境でバイタルサインを抽出するためには多種多様なアプローチがあるが、例えばマルチカメラ環境ではより柔軟に適用するためには、新しいアルゴリズムのトレーニングとテストに十分なデータを生成するためにシミュレーション環境が必要である。合成および実呼吸信号の両方をベースラインとしてリアルで深度カメラに基づく呼吸信号を生成するために,異なるノイズモデルに焦点を当てた3次元レンダリングシミュレーションパイプラインの最初の結果を示す。この文脈では、ほとんどのノイズは正確にガウスとしてモデル化できるが、利用可能な画像解像度が低すぎると、異なるノイズモデルの違いが表面的に現れることを示すことができる。

関連論文リスト

Enhancement of 3D Camera Synthetic Training Data with Noise Models [1.6385815610837167]
本研究の目的は,3次元撮影データにおけるノイズの影響を,撮像プロセスのノイズをモデル化して評価することである。我々は、ノイズモデルを得るために、特別に構築されたシーンのデータセットをコンパイルした。具体的には、画像面における捕獲点の位置と軸方向の雑音に影響を及ぼす横方向雑音をモデル化し、画像面に対する軸方向の位置に影響を及ぼす。
論文参考訳（メタデータ） (2024-02-26T11:50:42Z)
Blue noise for diffusion models [50.99852321110366]
本稿では,画像内および画像間の相関雑音を考慮した拡散モデルを提案する。我々のフレームワークは、勾配流を改善するために、1つのミニバッチ内に画像間の相関を導入することができる。本手法を用いて,各種データセットの質的,定量的な評価を行う。
論文参考訳（メタデータ） (2024-02-07T14:59:25Z)
NM-FlowGAN: Modeling sRGB Noise without Paired Images using a Hybrid Approach of Normalizing Flows and GAN [9.81778202920426]
NM-FlowGANは、GANと正規化フローの両方の長所を利用するハイブリッドアプローチである。本手法は, カメラタイプやISO設定などの手軽に取得可能なパラメータなど, クリーンな画像とノイズ特性に影響を与える要因を用いてノイズを合成する。我々のNM-FlowGANは、sRGBノイズ合成タスクにおいて、他のベースラインよりも優れています。
論文参考訳（メタデータ） (2023-12-15T09:09:25Z)
Towards General Low-Light Raw Noise Synthesis and Modeling [37.87312467017369]
生成モデルにより信号非依存ノイズを合成する新しい視点を導入する。具体的には、信号に依存しないノイズと信号に依存しないノイズを物理と学習に基づく方法で合成する。このようにして、本手法は一般的なモデルとみなすことができ、つまり、異なるISOレベルの異なるノイズ特性を同時に学習することができる。
論文参考訳（メタデータ） (2023-07-31T09:10:10Z)
Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。 RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
論文参考訳（メタデータ） (2023-05-23T12:56:01Z)
Noise2NoiseFlow: Realistic Camera Noise Modeling without Clean Images [35.29066692454865]
本稿では,ノイズモデルとデノイザを同時にトレーニングするためのフレームワークを提案する。ノイズ/クリーンなペア画像データではなく、ノイズの多いイメージのペアに依存します。トレーニングされたデノイザーは、教師付きおよび弱教師付きベースラインデノイジングアプローチの両方において、大幅に改善される。
論文参考訳（メタデータ） (2022-06-02T15:31:40Z)
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)
Estimating Fine-Grained Noise Model via Contrastive Learning [11.626812663592416]
本稿では,現実的な雑音画像生成のための革新的なノイズモデル推定とノイズ合成パイプラインを提案する。本モデルでは, 微粒な統計的雑音モデルを用いた雑音推定モデルについて, 対照的に学習する。いくつかのセンサのノイズモデルを校正することで、我々のモデルは他のカメラを予測できるように拡張することができる。
論文参考訳（メタデータ） (2022-04-03T02:35:01Z)
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)
Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
論文参考訳（メタデータ） (2021-08-04T16:36:29Z)
Designing a Practical Degradation Model for Deep Blind Image Super-Resolution [134.9023380383406]
単一画像スーパーレゾリューション (sisr) 法は, 推定劣化モデルが実画像から逸脱した場合はうまく動作しない。本稿では, ランダムにシャッフルされたブラー, ダウンサンプリング, ノイズ劣化からなる, より複雑で実用的な劣化モデルを提案する。
論文参考訳（メタデータ） (2021-03-25T17:40:53Z)

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。