論文の概要: LAN: Learning to Adapt Noise for Image Denoising

• arxiv url: http://arxiv.org/abs/2412.10651v1
• Date: Sat, 14 Dec 2024 02:46:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 14:00:58.518556
• Title: LAN: Learning to Adapt Noise for Image Denoising
• Title（参考訳）: LAN:画像のノイズに適応する学習
• Authors: Changjin Kim, Tae Hyun Kim, Sungyong Baik,
• Abstract要約: 本稿では,学習可能な雑音オフセットを与えられたノイズ画像に直接付加し,与えられた入力ノイズを学習ネットワークが処理するノイズ分布に近づける,学習型適応雑音(LAN)と呼ばれる新しい雑音除去アルゴリズムを提案する。 提案手法では,ノイズが見えない画像の性能向上を図り,提案する研究方向の可能性を提示する。
• 参考スコア（独自算出の注目度）: 10.90034618138499
• License:
• Abstract: Removing noise from images, a.k.a image denoising, can be a very challenging task since the type and amount of noise can greatly vary for each image due to many factors including a camera model and capturing environments. While there have been striking improvements in image denoising with the emergence of advanced deep learning architectures and real-world datasets, recent denoising networks struggle to maintain performance on images with noise that has not been seen during training. One typical approach to address the challenge would be to adapt a denoising network to new noise distribution. Instead, in this work, we shift our focus to adapting the input noise itself, rather than adapting a network. Thus, we keep a pretrained network frozen, and adapt an input noise to capture the fine-grained deviations. As such, we propose a new denoising algorithm, dubbed Learning-to-Adapt-Noise (LAN), where a learnable noise offset is directly added to a given noisy image to bring a given input noise closer towards the noise distribution a denoising network is trained to handle. Consequently, the proposed framework exhibits performance improvement on images with unseen noise, displaying the potential of the proposed research direction. The code is available at https://github.com/chjinny/LAN
• Abstract（参考訳）: カメラモデルや撮影環境など多くの要因により、画像ごとにノイズの種類や量が大きく変化するため、画像からノイズを取り除くことは非常に難しい作業である。 高度なディープラーニングアーキテクチャと実世界のデータセットの出現により、画像のデノゲーションが大幅に改善されているが、最近のデノゲーションネットワークは、トレーニング中に見られていないノイズのある画像のパフォーマンスを維持するのに苦労している。 この課題に対処する典型的なアプローチの1つは、デノイングネットワークを新しいノイズ分布に適応させることである。 代わりに、この作業では、ネットワークに適応するのではなく、入力ノイズ自体に適応することに焦点をシフトします。 このように、事前訓練されたネットワークを凍結させ、入力ノイズを適応させて微細な偏差を捕捉する。 そこで我々は,学習可能なノイズオフセットを与えられたノイズ画像に直接付加して,与えられた入力ノイズを学習対象ネットワークが処理するノイズ分布に近づける,Learning-to-Adapt-Noise (LAN)と呼ばれる新しいデノナイズアルゴリズムを提案する。 その結果,提案手法はノイズのない画像の性能向上を図り,提案する研究方向の可能性を提示する。 コードはhttps://github.com/chjinny/LANで公開されている。

関連論文リスト

• Self-Calibrated Variance-Stabilizing Transformations for Real-World Image Denoising [19.08732222562782]
  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。
  論文  参考訳（メタデータ） (2024-07-24T16:23:46Z)
• 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)
• 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)
• 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)
• 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)
• Distribution Conditional Denoising: A Flexible Discriminative Image Denoiser [0.0]
  U-Netに基づくデゾナイズFCNにマルチタスク学習手法を適用するフレキシブルな識別画像デノイザを導入する。 この条件付き学習法は, 定音レベルU-Netデノイザを様々な雑音レベルに一般化することができる。
  論文  参考訳（メタデータ） (2020-11-24T21:27:18Z)
• 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)
• 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)

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。