論文の概要: DeCompress: Denoising via Neural Compression

• arxiv url: http://arxiv.org/abs/2503.22015v1
• Date: Thu, 27 Mar 2025 22:05:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-31 15:31:05.379776
• Title: DeCompress: Denoising via Neural Compression
• Title（参考訳）: DeCompress: ニューラル圧縮によるデノーミング
• Authors: Ali Zafari, Xi Chen, Shirin Jalali,
• Abstract要約: 学習に基づくDenoisingアルゴリズムは、様々なDenoisingタスクにまたがって最先端のパフォーマンスを実現する。 しかし、そのようなモデルのトレーニングは、クリーンでノイズの多いイメージペアからなる大規模なトレーニングデータセットへのアクセスに依存している。 そこで本稿では,DeCompressと呼ぶ圧縮に基づくデノベーションアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 10.063403779232072
• License:
• Abstract: Learning-based denoising algorithms achieve state-of-the-art performance across various denoising tasks. However, training such models relies on access to large training datasets consisting of clean and noisy image pairs. On the other hand, in many imaging applications, such as microscopy, collecting ground truth images is often infeasible. To address this challenge, researchers have recently developed algorithms that can be trained without requiring access to ground truth data. However, training such models remains computationally challenging and still requires access to large noisy training samples. In this work, inspired by compression-based denoising and recent advances in neural compression, we propose a new compression-based denoising algorithm, which we name DeCompress, that i) does not require access to ground truth images, ii) does not require access to large training dataset - only a single noisy image is sufficient, iii) is robust to overfitting, and iv) achieves superior performance compared with zero-shot or unsupervised learning-based denoisers.
• Abstract（参考訳）: 学習に基づくDenoisingアルゴリズムは、様々なDenoisingタスクにまたがって最先端のパフォーマンスを実現する。 しかし、そのようなモデルのトレーニングは、クリーンでノイズの多いイメージペアからなる大規模なトレーニングデータセットへのアクセスに依存している。 一方、顕微鏡などの多くの画像アプリケーションでは、地上の真理画像の収集は不可能であることが多い。 この課題に対処するため、研究者は最近、地上の真実データにアクセスせずにトレーニングできるアルゴリズムを開発した。 しかし、そのようなモデルのトレーニングは計算的に困難であり、大きなノイズのあるトレーニングサンプルにアクセスする必要がある。 本研究は,ニューラル圧縮の最近の進歩に触発されて,DeCompressと呼ばれる新しい圧縮に基づくデノナイジングアルゴリズムを提案する。 一 地底真理画像へのアクセスを必要としないこと。 i) 大きなトレーニングデータセットにアクセスする必要はなく、単一のノイズの多いイメージだけで十分です。 三 過度な適合に強いこと、及び iv) ゼロショットや教師なしの学習ベースデノイザに比べて優れた性能を達成する。

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)
• Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
  本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。 提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。 提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
  論文  参考訳（メタデータ） (2023-03-23T09:33:44Z)
• Linear Combinations of Patches are Unreasonably Effective for Single-Image Denoising [5.893124686141782]
  ディープニューラルネットワークは、画像のノイズ化に革命を起こし、大幅な精度向上を実現している。 画像先行を外部から学習する必要性を軽減するため、入力ノイズ画像の分析のみに基づいて、単画像方式で復調を行う。 本研究は, この制約下でのデノナイズのためのパッチの線形結合の有効性について検討する。
  論文  参考訳（メタデータ） (2022-12-01T10:52:03Z)
• Patch-Craft Self-Supervised Training for Correlated Image Denoising [23.211926170586885]
  本研究では,未知の相関雑音の除去に適した自己教師付き学習手法を提案する。 我々のアルゴリズムへの入力は、ノイズの多いショットのバーストが簡単にキャプチャされる。 提案アルゴリズムは,これらのバーストからパッチマッチングと縫合により人工的なパッチクラフト画像を構築し,得られたクラフトイメージをトレーニングのターゲットとして利用する。
  論文  参考訳（メタデータ） (2022-11-17T22:31:55Z)
• 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)
• 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)
• 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)
• 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)
• DenoiSeg: Joint Denoising and Segmentation [75.91760529986958]
  我々は,いくつかの注釈付き基底真理セグメンテーションでエンドツーエンドに学習できる新しい手法であるDenoySegを提案する。 我々は、ノイズの多い画像だけで訓練できる自己教師付き遮音方式であるNoss2Voidを拡張して、密度の高い3クラスセグメンテーションを予測する。
  論文  参考訳（メタデータ） (2020-05-06T17:42:54Z)

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。