論文の概要: Complementary Advantages: Exploiting Cross-Field Frequency Correlation for NIR-Assisted Image Denoising
- arxiv url: http://arxiv.org/abs/2412.16645v1
- Date: Sat, 21 Dec 2024 14:31:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-24 15:58:39.217816
- Title: Complementary Advantages: Exploiting Cross-Field Frequency Correlation for NIR-Assisted Image Denoising
- Title(参考訳): 補完的アドバンテージ:NIR支援画像復調のためのクロスフィールド周波数相関の爆発
- Authors: Yuchen Wang, Hongyuan Wang, Lizhi Wang, Xin Wang, Lin Zhu, Wanxuan Lu, Hua Huang,
- Abstract要約: 我々は、NIR支援画像復調のためのクロスフィールド周波数相関爆発ネットワーク(FCENet)を開発した。
まず,NIR-RGB画像対の詳細な統計周波数解析に基づいて,周波数相関について検討する。
次に、周波数動的選択機構(FDSM)と周波数強制融合機構(FEFM)からなる周波数学習フレームワークを確立する。
- 参考スコア(独自算出の注目度): 27.54777017705553
- License:
- Abstract: Existing single-image denoising algorithms often struggle to restore details when dealing with complex noisy images. The introduction of near-infrared (NIR) images offers new possibilities for RGB image denoising. However, due to the inconsistency between NIR and RGB images, the existing works still struggle to balance the contributions of two fields in the process of image fusion. In response to this, in this paper, we develop a cross-field Frequency Correlation Exploiting Network (FCENet) for NIR-assisted image denoising. We first propose the frequency correlation prior based on an in-depth statistical frequency analysis of NIR-RGB image pairs. The prior reveals the complementary correlation of NIR and RGB images in the frequency domain. Leveraging frequency correlation prior, we then establish a frequency learning framework composed of Frequency Dynamic Selection Mechanism (FDSM) and Frequency Exhaustive Fusion Mechanism (FEFM). FDSM dynamically selects complementary information from NIR and RGB images in the frequency domain, and FEFM strengthens the control of common and differential features during the fusion of NIR and RGB features. Extensive experiments on simulated and real data validate that our method outperforms various state-of-the-art methods in terms of image quality and computational efficiency. The code will be released to the public.
- Abstract(参考訳): 既存のシングルイメージのデノゲーションアルゴリズムは、複雑なノイズのある画像を扱う際に、詳細を復元するのに苦労することが多い。
近赤外(NIR)画像の導入は、RGB画像に新たな可能性をもたらす。
しかし、NIRとRGB画像の不整合のため、既存の研究は画像融合の過程で2つの分野の貢献のバランスをとるのに苦慮している。
そこで本研究では,NIR支援画像復調のためのFCENet(クロスフィールド周波数相関爆発ネットワーク)を開発した。
まず,NIR-RGB画像対の詳細な統計周波数解析に基づいて,周波数相関について検討する。
前者は周波数領域におけるNIRとRGB画像の相補的相関を明らかにする。
周波数相関を利用して、周波数動的選択機構(FDSM)と周波数運動融合機構(FEFM)からなる周波数学習フレームワークを構築する。
FDSMは周波数領域におけるNIRおよびRGB画像からの補完情報を動的に選択し、FEFMはNIRとRGBの融合時の共通特徴と微分特徴の制御を強化する。
シミュレーションおよび実データに対する広範囲な実験により,本手法は画像品質と計算効率の点で,様々な最先端手法よりも優れていたことが確認された。
コードは一般に公開される。
関連論文リスト
- Contourlet Refinement Gate Framework for Thermal Spectrum Distribution Regularized Infrared Image Super-Resolution [54.293362972473595]
画像超解像(SR)は、高解像度(HR)画像を低解像度(LR)画像から再構成することを目的としている。
SRタスクに対処する現在のアプローチは、RGB画像の特徴を抽出するか、同様の劣化パターンを仮定するものである。
スペクトル分布の忠実さを保ちつつ、赤外線変調特性を復元するコントゥーレット改質ゲートフレームワークを提案する。
論文 参考訳(メタデータ) (2024-11-19T14:24:03Z) - FreqINR: Frequency Consistency for Implicit Neural Representation with Adaptive DCT Frequency Loss [5.349799154834945]
本稿では、新しい任意スケール超解像法であるFreqINR(FreqINR)について述べる。
トレーニングでは,適応離散コサイン変換周波数損失(adaptive Discrete Cosine Transform Frequency Loss,ADFL)を用いて,HR画像と地絡画像の周波数ギャップを最小化する。
推論の際には,低分解能(LR)画像と地軸画像のスペクトルコヒーレンスを維持するために受容場を拡張した。
論文 参考訳(メタデータ) (2024-08-25T03:53:17Z) - Exploiting Frequency Correlation for Hyperspectral Image Reconstruction [21.71115793248267]
ハイパースペクトル画像 (HSI) 再構成における強力な手法として, 深層前駆体が出現している。
本稿では,既存のHSIデータセットの詳細な統計周波数解析に先立って,HFC(Hyperspectral Frequency correlation)を提案する。
次に、周波数のスペクトル的自己注意(SAF)と周波数のスペクトル的空間的相互作用(SIF)からなる周波数領域学習を確立する。
論文 参考訳(メタデータ) (2024-06-02T09:36:37Z) - NIR-Assisted Image Denoising: A Selective Fusion Approach and A Real-World Benchmark Dataset [53.79524776100983]
近赤外(NIR)画像を活用して、視認可能なRGB画像の復調を支援することで、この問題に対処する可能性を示している。
既存の作品では、NIR情報を効果的に活用して現実のイメージを飾ることに苦戦している。
先進デノナイジングネットワークにプラグイン・アンド・プレイ可能な効率的な選択核融合モジュール(SFM)を提案する。
論文 参考訳(メタデータ) (2024-04-12T14:54:26Z) - Cooperative Colorization: Exploring Latent Cross-Domain Priors for NIR
Image Spectrum Translation [5.28882362783108]
近赤外線(NIR)画像スペクトル変換は多くの有望な応用において難しい問題である。
そこで本研究では,NIR画像のカラー化を他の代用グレースケールカラー化タスクと並行して行う協調学習パラダイムを提案する。
実験により,提案する協調学習フレームワークは,多彩な色と豊かなテクスチャを持つ良好なスペクトル変換出力を生成することが示された。
論文 参考訳(メタデータ) (2023-08-07T07:02:42Z) - Denoising Diffusion Models for Plug-and-Play Image Restoration [135.6359475784627]
本稿では,従来のプラグアンドプレイ方式を拡散サンプリングフレームワークに統合したDiffPIRを提案する。
DiffPIRは、差別的なガウスのデノイザーに依存するプラグアンドプレイIR法と比較して、拡散モデルの生成能力を継承することが期待されている。
論文 参考訳(メタデータ) (2023-05-15T20:24:38Z) - High Dynamic Range Image Quality Assessment Based on Frequency Disparity [78.36555631446448]
高ダイナミックレンジ(HDR)画像に対する周波数差に基づく画像品質評価(IQA)アルゴリズムを提案する。
提案したLGFMは、最先端HDR IQA法と比較して、主観的知覚との整合性が高い。
論文 参考訳(メタデータ) (2022-09-06T08:22:13Z) - TBNet:Two-Stream Boundary-aware Network for Generic Image Manipulation
Localization [49.521622399483846]
汎用画像操作のローカライゼーションのための新しいエンド・ツー・エンド2ストリーム境界対応ネットワーク(TBNet)を提案する。
提案したTBNetは、MCCとF1の両方の観点から、最先端の汎用画像操作のローカライズ手法を大幅に上回ることができる。
論文 参考訳(メタデータ) (2021-08-10T08:22:05Z) - Wavelet-Based Network For High Dynamic Range Imaging [64.66969585951207]
光学フローベースやエンド・ツー・エンドのディープラーニングベースのソリューションのような既存の方法は、詳細な復元やゴーストを除去する際にエラーを起こしやすい。
本研究では、周波数領域でHDR融合を行うための新しい周波数誘導型エンド・ツー・エンドディープニューラルネットワーク(FNet)を提案し、ウェーブレット変換(DWT)を用いて入力を異なる周波数帯域に分解する。
低周波信号は特定のゴーストアーティファクトを避けるために使用され、高周波信号は詳細を保存するために使用される。
論文 参考訳(メタデータ) (2021-08-03T12:26:33Z) - Generation of the NIR spectral Band for Satellite Images with
Convolutional Neural Networks [0.0]
ディープニューラルネットワークは、画像の着色問題など、人工的なスペクトル情報を生成することができる。
我々は,高解像度衛星画像のRGBチャネルのみを用いて,NIR帯域生成作業におけるGAN(Generative Adversarial Network)アプローチについて検討した。
論文 参考訳(メタデータ) (2021-06-13T15:14:57Z)
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。