論文の概要: Learning to Translate Noise for Robust Image Denoising

• arxiv url: http://arxiv.org/abs/2412.04727v1
• Date: Fri, 06 Dec 2024 02:35:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-09 15:55:27.238590
• Title: Learning to Translate Noise for Robust Image Denoising
• Title（参考訳）: ロバスト画像復調のための雑音翻訳学習
• Authors: Inju Ha, Donghun Ryou, Seonguk Seo, Bohyung Han,
• Abstract要約: ディープ・ラーニング・テクニックは、現実世界のノイズに分布しないような一般化性能に苦しむことが多い。 そこで,本研究では,元の雑音画像を直接デノナイズするのではなく,変換された雑音で画像をデノナイズする新しいノイズ翻訳フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 38.61470097987608
• License:
• Abstract: Deep learning-based image denoising techniques often struggle with poor generalization performance to out-of-distribution real-world noise. To tackle this challenge, we propose a novel noise translation framework that performs denoising on an image with translated noise rather than directly denoising an original noisy image. Specifically, our approach translates complex, unknown real-world noise into Gaussian noise, which is spatially uncorrelated and independent of image content, through a noise translation network. The translated noisy images are then processed by an image denoising network pretrained to effectively remove Gaussian noise, enabling robust and consistent denoising performance. We also design well-motivated loss functions and architectures for the noise translation network by leveraging the mathematical properties of Gaussian noise. Experimental results demonstrate that the proposed method substantially improves robustness and generalizability, outperforming state-of-the-art methods across diverse benchmarks. Visualized denoising results and the source code are available on our project page.
• Abstract（参考訳）: 深層学習に基づく画像復号化技術は、現実のノイズの分布外への一般化性能の低下に苦慮することが多い。 この課題に対処するため,本研究では,元のノイズ画像を直接デノナイズするのではなく,変換されたノイズで画像にデノナイズを行う新しいノイズ翻訳フレームワークを提案する。 具体的には,複雑で未知の実世界の雑音を,空間的に無相関で画像内容に依存しないガウス雑音に変換する。 変換された雑音画像は、事前訓練された画像復調ネットワークによって処理され、ガウス雑音を効果的に除去し、堅牢で一貫した復調性能を実現する。 また,ガウス雑音の数学的特性を活用することで,雑音変換ネットワークのためのよく動機付けられた損失関数とアーキテクチャを設計する。 実験により, 提案手法は, 各種ベンチマークにおいて, 頑健性と一般化性を大幅に向上し, 最先端の手法よりも優れることを示した。 結果を視覚化し、ソースコードをプロジェクトページで公開しています。

関連論文リスト

• Back to Basics: Fast Denoising Iterative Algorithm [0.0]
  ノイズ低減のための高速反復アルゴリズムであるBack to Basics (BTB)を紹介する。 光コヒーレンス・トモグラフィー(OCT)における白色ガウス雑音の存在下での自然像,ポアソン分布画像デノイング,スペックル抑制の3症例について検討した。 実験結果から,提案手法は画像品質を効果的に向上しうることを示す。
  論文  参考訳（メタデータ） (2023-11-11T18:32:06Z)
• Image Denoising via Style Disentanglement [9.38519460509602]
  そこで本稿では,鮮明な復調機構と優れた性能を兼ね備えた画像復調手法を提案する。 我々はノイズをイメージスタイルの一種とみなし、クリーンな画像から派生したノイズフリーなスタイルを取り入れて除去する。 合成ノイズ除去と実世界の画像デノゲーションデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-09-26T08:29:33Z)
• 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)
• Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
  本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。 トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。 AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
  論文  参考訳（メタデータ） (2022-03-24T18:11:31Z)
• 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)
• Synergy Between Semantic Segmentation and Image Denoising via Alternate Boosting [102.19116213923614]
  ノイズ除去とセグメンテーションを交互に行うためのブーストネットワークを提案する。 我々は,ノイズによるセグメンテーション精度の低下に対処するだけでなく,画素別意味情報によってデノージング能力が向上することを示す。 実験の結果,デノイド画像の品質が大幅に向上し,セグメンテーション精度がクリーン画像に近いことを示した。
  論文  参考訳（メタデータ） (2021-02-24T06:48:45Z)
• 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)
• Adaptive noise imitation for image denoising [58.21456707617451]
  本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。 現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。 ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
  論文  参考訳（メタデータ） (2020-11-30T02:49:36Z)
• Enhancing and Learning Denoiser without Clean Reference [23.11994688706024]
  本稿では,ノイズ伝達タスクの特別事例として,ノイズ低減タスクに関する新しいディープイメージデノベーション手法を提案する。 実世界のデノナイジングベンチマークの結果から,提案手法は現実的な雑音を除去する上で有望な性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-09-09T13:15:31Z)
• NoiseBreaker: Gradual Image Denoising Guided by Noise Analysis [5.645552640953684]
  本稿では,画像中の支配雑音を反復的に検出し,調整したデノイザを用いて除去する段階的なデノイズ戦略を提案する。 本手法は, 遭遇した騒音の性質を把握し, 既存の騒音を新しいノイズ特性で拡張することを可能にする。
  論文  参考訳（メタデータ） (2020-02-18T11:09:03Z)
• 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。