論文の概要: Edge-preserving Image Denoising via Multi-scale Adaptive Statistical Independence Testing

• arxiv url: http://arxiv.org/abs/2505.01032v1
• Date: Fri, 02 May 2025 06:09:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 17:21:19.929875
• Title: Edge-preserving Image Denoising via Multi-scale Adaptive Statistical Independence Testing
• Title（参考訳）: マルチスケール適応型統計的独立性テストによるエッジ保存画像の復調
• Authors: Ruyu Yan, Da-Qing Zhang,
• Abstract要約: マルチスケール適応独立性テストに基づくエッジ検出・デノイング(EDD-MAIT)を提案する。 EDD-MAITはチャンネルアテンション機構と独立テストを統合している。 Fスコア、MSE、PSNR、ランタイムの削減など、堅牢性、正確性、効率性の向上を実現している。
• 参考スコア（独自算出の注目度）: 2.8724598079549715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Edge detection is crucial in image processing, but existing methods often produce overly detailed edge maps, affecting clarity. Fixed-window statistical testing faces issues like scale mismatch and computational redundancy. To address these, we propose a novel Multi-scale Adaptive Independence Testing-based Edge Detection and Denoising (EDD-MAIT), a Multi-scale Adaptive Statistical Testing-based edge detection and denoising method that integrates a channel attention mechanism with independence testing. A gradient-driven adaptive window strategy adjusts window sizes dynamically, improving detail preservation and noise suppression. EDD-MAIT achieves better robustness, accuracy, and efficiency, outperforming traditional and learning-based methods on BSDS500 and BIPED datasets, with improvements in F-score, MSE, PSNR, and reduced runtime. It also shows robustness against Gaussian noise, generating accurate and clean edge maps in noisy environments.
• Abstract（参考訳）: エッジ検出は画像処理において重要であるが、既存の手法はしばしば過剰に詳細なエッジマップを生成し、明瞭さに影響を与える。 固定ウィンドウ統計テストは、スケールミスマッチや計算冗長性といった問題に直面している。 そこで本稿では,適応型独立性テストに基づくエッジ検出とデノナイズ(EDD-MAIT)という,独立性テストとチャネルアテンション機構を統合したマルチスケール適応型統計的テストに基づくエッジ検出とデノナイズ手法を提案する。 勾配駆動型適応ウィンドウ戦略は、ウィンドウサイズを動的に調整し、ディテール保存とノイズ抑制を改善している。 EDD-MAITは、BSDS500とBIPEDデータセット上で従来の学習ベースのメソッドよりも優れた堅牢性、正確性、効率を実現し、Fスコア、MSE、PSNRの改善、ランタイムの削減を実現している。 また、ガウス雑音に対するロバスト性を示し、ノイズの多い環境で正確でクリーンなエッジマップを生成する。

関連論文リスト

• Edge Detection based on Channel Attention and Inter-region Independence Test [2.8724598079549715]
  既存のエッジ検出法は、しばしばノイズ増幅と非塩分詳細の過剰な保持に悩まされる。 本稿では,CAM(Channel Attention Mechanism)とEDIT(Independent Testing)によるエッジ検出を統合した新しいフレームワークであるCAM-EDITを提案する。 CAM-EDITのF測定値は0.635と0.460であり、従来の方法よりも19.2%から26.5%改善している。
  論文  参考訳（メタデータ） (2025-05-02T06:30:21Z)
• A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
  本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。 工業画像から抽出した55個の特徴を統計的手法を用いて解析した。 これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
  論文  参考訳（メタデータ） (2024-12-11T22:12:21Z)
• SSP-RACL: Classification of Noisy Fundus Images with Self-Supervised Pretraining and Robust Adaptive Credal Loss [3.8739860035485143]
  基礎画像分類はコンピュータの診断タスクにおいて重要であるが、ラベルノイズはディープニューラルネットワークの性能を著しく損なう。 本稿では,ロバスト適応クレダルロス (SSP-RACL) を用いた自己監督型事前訓練(Self-Supervised Pre-training)を提案する。
  論文  参考訳（メタデータ） (2024-09-25T02:41:58Z)
• SoftPatch: Unsupervised Anomaly Detection with Noisy Data [67.38948127630644]
  本稿では,画像センサ異常検出におけるラベルレベルのノイズを初めて考察する。 本稿では,メモリベースの非教師付きAD手法であるSoftPatchを提案する。 既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。
  論文  参考訳（メタデータ） (2024-03-21T08:49:34Z)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• I2V: Towards Texture-Aware Self-Supervised Blind Denoising using Self-Residual Learning for Real-World Images [8.763680382529412]
  pixel-shuffle downsampling (PD) はノイズの空間的相関を排除するために提案されている。 テクスチャ情報を維持するために,PD処理を使わずに自己学習を提案する。 広汎な実験の結果,提案手法は最先端の自己監督型ブラインド・デノイング・アプローチよりも優れていた。
  論文  参考訳（メタデータ） (2023-02-21T08:51:17Z)
• MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
  クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。 本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
  論文  参考訳（メタデータ） (2023-02-09T12:06:08Z)
• DDPM-CD: Denoising Diffusion Probabilistic Models as Feature Extractors for Change Detection [31.125812018296127]
  Deno Diffusion Probabilistic Model (DDPM) の事前学習による変化検出のための新しいアプローチを提案する。 DDPMは、訓練画像を徐々にマルコフ連鎖を用いてガウス分布に変換することにより、トレーニングデータ分布を学習する。 推論(サンプリング)中に、トレーニング分布に近い多様なサンプルセットを生成することができる。 LEVIR-CD, WHU-CD, DSIFN-CD, CDDデータセットを用いて行った実験により,提案手法は既存の変化検出法よりもF1スコアで大幅に優れており, I。
  論文  参考訳（メタデータ） (2022-06-23T17:58:29Z)
• Deep Learning-Based Defect Classification and Detection in SEM Images [1.9206693386750882]
  特に、異なるResNet、VGGNetアーキテクチャをバックボーンとして使用するRetinaNetモデルをトレーニングする。 そこで本研究では,異なるモデルからの出力予測を組み合わせることで,欠陥の分類と検出に優れた性能を実現するための選好に基づくアンサンブル戦略を提案する。
  論文  参考訳（メタデータ） (2022-06-20T16:34:11Z)

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。