論文の概要: Image Restoration Learning via Noisy Supervision in the Fourier Domain

• arxiv url: http://arxiv.org/abs/2506.00564v1
• Date: Sat, 31 May 2025 13:43:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:33.200655
• Title: Image Restoration Learning via Noisy Supervision in the Fourier Domain
• Title（参考訳）: フーリエ領域におけるノイズスーパービジョンによる画像復元学習
• Authors: Haosen Liu, Jiahao Liu, Shan Tan, Edmund Y. Lam,
• Abstract要約: ノイズ管理とは、ノイズのあるターゲットで画像復元学習を監督することを指す。 これにより、データ収集の負担を軽減し、ディープラーニング技術の実用性を高めることができる。 既存の方法には2つの欠点がある。
• 参考スコア（独自算出の注目度）: 22.834414140434884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Noisy supervision refers to supervising image restoration learning with noisy targets. It can alleviate the data collection burden and enhance the practical applicability of deep learning techniques. However, existing methods suffer from two key drawbacks. Firstly, they are ineffective in handling spatially correlated noise commonly observed in practical applications such as low-light imaging and remote sensing. Secondly, they rely on pixel-wise loss functions that only provide limited supervision information. This work addresses these challenges by leveraging the Fourier domain. We highlight that the Fourier coefficients of spatially correlated noise exhibit sparsity and independence, making them easier to handle. Additionally, Fourier coefficients contain global information, enabling more significant supervision. Motivated by these insights, we propose to establish noisy supervision in the Fourier domain. We first prove that Fourier coefficients of a wide range of noise converge in distribution to the Gaussian distribution. Exploiting this statistical property, we establish the equivalence between using noisy targets and clean targets in the Fourier domain. This leads to a unified learning framework applicable to various image restoration tasks, diverse network architectures, and different noise models. Extensive experiments validate the outstanding performance of this framework in terms of both quantitative indices and perceptual quality.
• Abstract（参考訳）: ノイズ管理とは、ノイズのあるターゲットで画像復元学習を監督することを指す。 これにより、データ収集の負担を軽減し、ディープラーニング技術の実用性を高めることができる。 しかし、既存の手法には2つの欠点がある。 第一に、低照度撮像やリモートセンシングといった実用用途でよく見られる空間的相関ノイズの処理には効果がない。 第二に、限られた監視情報のみを提供するピクセル単位の損失関数に依存している。 この研究はフーリエ領域を活用することでこれらの課題に対処する。 空間的相関雑音のフーリエ係数は空間的疎結合性や独立性を示し,処理が容易であることを強調した。 さらに、フーリエ係数はグローバル情報を含み、より重要な監視を可能にする。 これらの知見に感化されて、フーリエ領域におけるノイズの多い監視を確立することを提案する。 まず、幅広い雑音のフーリエ係数がガウス分布に収束することを証明した。 この統計的性質をエクスプロイトし、フーリエ領域におけるノイズターゲットとクリーンターゲットの等価性を確立する。 これにより、さまざまなイメージ復元タスク、多様なネットワークアーキテクチャ、さまざまなノイズモデルに適用可能な統合学習フレームワークが実現される。 大規模な実験は、定量的指標と知覚的品質の両方の観点から、このフレームワークの卓越した性能を検証する。

関連論文リスト

• FreSca: Scaling in Frequency Space Enhances Diffusion Models [55.75504192166779]
  本稿では,潜時拡散モデルにおける周波数制御について検討する。 本稿では,低周波成分と高周波成分にノイズ差を分解する新しいフレームワークFreScaを紹介する。 FreScaはモデルの再トレーニングやアーキテクチャの変更なしに動作し、モデルとタスクに依存しない制御を提供する。
  論文  参考訳（メタデータ） (2025-04-02T22:03:11Z)
• Robustifying Fourier Features Embeddings for Implicit Neural Representations [25.725097757343367]
  Inlicit Neural Representation (INR) は、目標関数の対応する値に座標をマッピングすることで、連続関数を表現するためにニューラルネットワークを使用する。 INRは、様々な周波数を含むシーンを扱う際に、スペクトルバイアスとして知られる課題に直面している。 本稿では,多層パーセプトロン (MLP) を添加剤なしで使用することを提案する。
  論文  参考訳（メタデータ） (2025-02-08T07:43:37Z)
• Robust Fourier Neural Networks [1.0589208420411014]
  フーリエ埋込層の後, 単純な対角層を導入することにより, ネットワークの騒音測定がより堅牢になることを示す。 特定の条件下では,フーリエ関数の非線形関数の雑音混合である関数も学習することができる。
  論文  参考訳（メタデータ） (2024-09-03T16:56:41Z)
• Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
  拡散モデルを用いて,雑音空間を介して領域適応を行うことが可能であることを示す。 特に、補助的な条件入力が多段階の復調過程にどのように影響するかというユニークな性質を活用することにより、有意義な拡散損失を導出する。 拡散モデルにおけるチャネルシャッフル層や残留スワッピング型コントラスト学習などの重要な戦略を提案する。
  論文  参考訳（メタデータ） (2024-06-26T17:40:30Z)
• FourierMamba: Fourier Learning Integration with State Space Models for Image Deraining [71.46369218331215]
  Image derainingは雨が降る画像から雨の跡を取り除き、透明な背景を復元することを目的としている。 本稿では,FourierMambaという新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-29T18:58:59Z)
• Deep Fourier Up-Sampling [100.59885545206744]
  フーリエ領域のアップサンプリングは、そのような局所的な性質に従わないため、より難しい。 これらの問題を解決するために理論的に健全なDeep Fourier Up-Sampling (FourierUp)を提案する。
  論文  参考訳（メタデータ） (2022-10-11T06:17:31Z)
• Explicit Use of Fourier Spectrum in Generative Adversarial Networks [0.0]
  真正画像のスペクトルと偽画像の間には相違点があることが示される。 本研究では,実画像と偽画像のスペクトルの相違を低減させる新しいモデルを提案する。 生成した画像の品質向上に有望な改善を実験的に示す。
  論文  参考訳（メタデータ） (2022-08-02T06:26:44Z)
• A Fourier-based Framework for Domain Generalization [82.54650565298418]
  ドメインの一般化は、複数のソースドメインから伝達可能な知識を学習して、未確認のターゲットドメインに一般化することでこの問題に対処することを目的としている。 本稿では、ドメイン一般化のための新しいフーリエに基づく視点を紹介する。 3つのベンチマーク実験により,提案手法は領域一般化のための最先端性能を実現することができることを示した。
  論文  参考訳（メタデータ） (2021-05-24T06:50:30Z)

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。