論文の概要: Positive2Negative: Breaking the Information-Lossy Barrier in Self-Supervised Single Image Denoising

• arxiv url: http://arxiv.org/abs/2412.16460v1
• Date: Sat, 21 Dec 2024 03:25:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:58:51.945419
• Title: Positive2Negative: Breaking the Information-Lossy Barrier in Self-Supervised Single Image Denoising
• Title（参考訳）: 肯定的2Negative: 自己監督型単一画像デノーミングにおける情報損失バリアの破壊
• Authors: Tong Li, Lizhi Wang, Zhiyuan Xu, Lin Zhu, Wanxuan Lu, Hua Huang,
• Abstract要約: 既存の自己監督型イメージデノイングパラダイムは、情報ロッキーな操作に大きく依存している。 本稿では,情報ロジイ障壁を壊すために,自己監督型単一画像認識パラダイムであるPositive2Negativeを提案する。 本パラダイムは,自己監督型単一画像における最先端性能を実現し,大幅な速度向上を実現している。
• 参考スコア（独自算出の注目度）: 26.67217493971613
• License:
• Abstract: Image denoising enhances image quality, serving as a foundational technique across various computational photography applications. The obstacle to clean image acquisition in real scenarios necessitates the development of self-supervised image denoising methods only depending on noisy images, especially a single noisy image. Existing self-supervised image denoising paradigms (Noise2Noise and Noise2Void) rely heavily on information-lossy operations, such as downsampling and masking, culminating in low quality denoising performance. In this paper, we propose a novel self-supervised single image denoising paradigm, Positive2Negative, to break the information-lossy barrier. Our paradigm involves two key steps: Renoised Data Construction (RDC) and Denoised Consistency Supervision (DCS). RDC renoises the predicted denoised image by the predicted noise to construct multiple noisy images, preserving all the information of the original image. DCS ensures consistency across the multiple denoised images, supervising the network to learn robust denoising. Our Positive2Negative paradigm achieves state-of-the-art performance in self-supervised single image denoising with significant speed improvements. The code will be released to the public.
• Abstract（参考訳）: 画像のデノジングは画質を高め、様々な計算写真アプリケーションにおける基礎技術として機能する。 実シナリオにおけるクリーンな画像取得の障害は、ノイズの多い画像、特に1つのノイズの多い画像にのみ依存する自己監督型画像復調法の開発を必要とする。 既存の自己監督型画像復調パラダイム(Noise2NoiseとNoss2Void)は、ダウンサンプリングやマスキングといった情報ロッキーな操作に大きく依存しており、低品質の復調性能を達成している。 本稿では,情報ロジイ障壁を壊すために,自己監督型シングルイメージデノベーションパラダイムであるPositive2Negativeを提案する。 我々のパラダイムは、Renoized Data Construction(RDC)とDenoized Consistency Supervision(DCS)の2つの重要なステップを含んでいる。 RDCは、予測された雑音によって予測された復号化画像をリノーズし、複数のノイズ画像を構築し、元の画像のすべての情報を保存する。 DCSは複数の復号化画像の一貫性を確保し、堅牢な復号化学習のためにネットワークを監督する。 我々のPositive2Negativeパラダイムは、自己監督された単一画像における最先端のパフォーマンスを実現し、大幅な速度向上を実現している。 コードは一般に公開される。

関連論文リスト

• Neighboring Slice Noise2Noise: Self-Supervised Medical Image Denoising from Single Noisy Image Volume [12.077993066353294]
  近距離スライスノイズ2ノイズ(NS-N2N)の自己監督型医用画像復号法を提案する。 NS-N2Nは、画像ボリューム自体の高品質な denoising を実現するために、1つの医療画像から得られるノイズの多い画像ボリュームのみを必要とする。
  論文  参考訳（メタデータ） (2024-11-16T16:24:28Z)
• 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)
• 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)
• Deformed2Self: Self-Supervised Denoising for Dynamic Medical Imaging [0.0]
  Deformed2Selfは動的撮像のためのエンドツーエンドの自己教師型ディープラーニングフレームワークである。 シングルイメージとマルチイメージのデノゲーションを組み合わせて画像品質を改善し、空間トランスフォーマーネットワークを使用して異なるスライス間の動きをモデル化する。
  論文  参考訳（メタデータ） (2021-06-23T05:50:19Z)
• 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)
• Noise2Same: Optimizing A Self-Supervised Bound for Image Denoising [54.730707387866076]
  本稿では,新しい自己教師型デノベーションフレームワークであるNoss2Sameを紹介する。 特にノイズ2Sameは、ノイズモデルに関するJ-不変性や余分な情報を必要としない。 以上の結果から,ノイズ2Sameは従来の自己監督型遮音法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2020-10-22T18:12:26Z)
• 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)
• Dual Adversarial Network: Toward Real-world Noise Removal and Noise Generation [52.75909685172843]
  実世界の画像ノイズ除去は、コンピュータビジョンにおける長年の課題である。 本稿では,ノイズ除去およびノイズ発生タスクに対処する新しい統合フレームワークを提案する。 本手法はクリーンノイズ画像対の連成分布を学習する。
  論文  参考訳（メタデータ） (2020-07-12T09:16:06Z)
• 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。