論文の概要: Zero-shot denoising via neural compression: Theoretical and algorithmic framework

• arxiv url: http://arxiv.org/abs/2506.12693v1
• Date: Sun, 15 Jun 2025 02:29:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:46.70122
• Title: Zero-shot denoising via neural compression: Theoretical and algorithmic framework
• Title（参考訳）: ニューラル圧縮によるゼロショット denoising:理論的およびアルゴリズム的枠組み
• Authors: Ali Zafari, Xi Chen, Shirin Jalali,
• Abstract要約: ニューラル圧縮に基づく新しいデノナイジングフレームワークであるZero-Shot Neural Compression Denoiser (ZS-NCD)を提案する。 ZS-NCDは、ニューラル圧縮ネットワークを訓練されていないモデルとして扱い、単一のノイズ画像から抽出されたパッチに直接最適化する。 本研究では,ZS-NCDがガウスノイズとポアソンノイズの両方に対してゼロショットデノイザの最先端性能を実現することを示す。
• 参考スコア（独自算出の注目度）: 10.063403779232072
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Zero-shot denoising aims to denoise observations without access to training samples or clean reference images. This setting is particularly relevant in practical imaging scenarios involving specialized domains such as medical imaging or biology. In this work, we propose the Zero-Shot Neural Compression Denoiser (ZS-NCD), a novel denoising framework based on neural compression. ZS-NCD treats a neural compression network as an untrained model, optimized directly on patches extracted from a single noisy image. The final reconstruction is then obtained by aggregating the outputs of the trained model over overlapping patches. Thanks to the built-in entropy constraints of compression architectures, our method naturally avoids overfitting and does not require manual regularization or early stopping. Through extensive experiments, we show that ZS-NCD achieves state-of-the-art performance among zero-shot denoisers for both Gaussian and Poisson noise, and generalizes well to both natural and non-natural images. Additionally, we provide new finite-sample theoretical results that characterize upper bounds on the achievable reconstruction error of general maximum-likelihood compression-based denoisers. These results further establish the theoretical foundations of compression-based denoising. Our code is available at: github.com/Computational-Imaging-RU/ZS-NCDenoiser.
• Abstract（参考訳）: Zero-shot denoisingは、サンプルのトレーニングやクリーンな参照イメージへのアクセスなしに、観察をノイズ化することを目的としている。 この設定は、医用画像や生物学のような特殊な領域を含む実践的な画像のシナリオに特に関係している。 本研究では,ZES-NCD(Zero-Shot Neural Compression Denoiser)を提案する。 ZS-NCDは、ニューラル圧縮ネットワークを訓練されていないモデルとして扱い、単一のノイズ画像から抽出されたパッチに直接最適化する。 最終的な再構築は、重なり合うパッチの上にトレーニングされたモデルの出力を集約することで得られる。 圧縮アーキテクチャのエントロピー制約が組み込まれているため,本手法は過度に適合せず,手動の正規化や早期停止を必要としない。 広汎な実験により、ZS-NCDはガウスノイズとポアソンノイズの両方に対してゼロショットデノイザの最先端性能を達成し、自然画像と非自然画像の両方によく当てはまることを示した。 さらに, 最大圧縮型デノイザの達成可能な復元誤差の上限を特徴付ける新しい有限サンプル理論結果を提案する。 これらの結果は、圧縮に基づく認知の理論的基盤をさらに確立させる。 私たちのコードは、github.com/Computational-Imaging-RU/ZS-NCDenoiserで利用可能です。

関連論文リスト

• Score-Based Turbo Message Passing for Plug-and-Play Compressive Image Recovery [24.60447255507278]
  オフ・ザ・シェルフのイメージ・デノイザは概して、一般的なまたは手作りの先駆者に依存している。 我々は, スコアベース最小二乗誤差(MMSE)デノイザを統合した, 圧縮画像復元のためのメッセージパッシングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-28T04:30:58Z)
• Beyond Image Prior: Embedding Noise Prior into Conditional Denoising Transformer [17.430622649002427]
  既存の学習ベースの推論手法は、大規模なデータセットからイメージを一般化するためにモデルを訓練するのが一般的である。 本稿では,ノイズと画像の先行部分の分離を区別することによる,難読化問題に対する新たな視点を提案する。 本稿では,1つの生雑音画像から直接先行する雑音を正確に推定する局所雑音優先推定アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-12T08:43:11Z)
• Semantic Ensemble Loss and Latent Refinement for High-Fidelity Neural Image Compression [58.618625678054826]
  本研究は、最適な視覚的忠実度のために設計された強化されたニューラル圧縮手法を提案する。 我々は,洗練されたセマンティック・アンサンブル・ロス,シャルボニエ・ロス,知覚的損失,スタイル・ロス,非バイナリ・ディバイザ・ロスを組み込んだモデルを構築した。 実験により,本手法は神経画像圧縮の統計的忠実度を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2024-01-25T08:11:27Z)
• 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)
• Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
  本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。 トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。 AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
  論文  参考訳（メタデータ） (2022-03-24T18:11:31Z)
• Implicit Neural Representations for Image Compression [103.78615661013623]
  Inlicit Neural Representations (INRs) は、様々なデータ型の新規かつ効果的な表現として注目されている。 量子化、量子化を考慮した再学習、エントロピー符号化を含むINRに基づく最初の包括的圧縮パイプラインを提案する。 我々は、INRによるソース圧縮に対する我々のアプローチが、同様の以前の作業よりも大幅に優れていることに気付きました。
  論文  参考訳（メタデータ） (2021-12-08T13:02:53Z)
• Image Denoising using Attention-Residual Convolutional Neural Networks [0.0]
  本稿では,学習に基づく新たな非盲検手法であるAttention Residual Convolutional Neural Network (ARCNN)を提案し,その拡張としてFlexible Attention Residual Convolutional Neural Network (FARCNN)を提案する。 ARCNNはガウス語とポアソン語で約0.44dBと0.96dBの平均PSNR結果を達成し、FARCNNはARCNNに比べて若干パフォーマンスが悪くても非常に一貫した結果を示した。
  論文  参考訳（メタデータ） (2021-01-19T16:37:57Z)
• 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。