論文の概要: Towards Controllable Real Image Denoising with Camera Parameters
- arxiv url: http://arxiv.org/abs/2507.01587v1
- Date: Wed, 02 Jul 2025 10:57:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-03 14:23:00.158195
- Title: Towards Controllable Real Image Denoising with Camera Parameters
- Title（参考訳）: カメラパラメータによる実写映像の可制御化に向けて
- Authors: Youngjin Oh, Junhyeong Kwon, Keuntek Lee, Nam Ik Cho,
- Abstract要約: 画像からノイズを適応的に除去する新しい制御可能なデノナイジングフレームワークを提案する。
具体的には、ノイズレベルと密接に関連するISO、シャッタースピード、Fナンバーに焦点を当てる。
選択したパラメータをベクトルに変換してデノナイジングネットワークの性能を制御・強化する。
- 参考スコア（独自算出の注目度）: 15.41728621274958
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent deep learning-based image denoising methods have shown impressive performance; however, many lack the flexibility to adjust the denoising strength based on the noise levels, camera settings, and user preferences. In this paper, we introduce a new controllable denoising framework that adaptively removes noise from images by utilizing information from camera parameters. Specifically, we focus on ISO, shutter speed, and F-number, which are closely related to noise levels. We convert these selected parameters into a vector to control and enhance the performance of the denoising network. Experimental results show that our method seamlessly adds controllability to standard denoising neural networks and improves their performance. Code is available at https://github.com/OBAKSA/CPADNet.
- Abstract（参考訳）: 近年の深層学習に基づく画像復調法は優れた性能を示しているが,ノイズレベル,カメラ設定,ユーザの好みに基づいて復調強度を調整する柔軟性に欠けるものが多い。
本稿では,カメラパラメータからの情報を活用することで,画像からノイズを適応的に除去する新しい制御可能なデノナイジングフレームワークを提案する。
具体的には、ノイズレベルと密接に関連するISO、シャッタースピード、Fナンバーに焦点を当てる。
選択したパラメータをベクトルに変換してデノナイジングネットワークの性能を制御・強化する。
実験結果から,提案手法は標準的なニューラルネットにシームレスに制御性を付加し,性能を向上することが示された。
コードはhttps://github.com/OBAKSA/CPADNetで入手できる。
関連論文リスト
- YOND: Practical Blind Raw Image Denoising Free from Camera-Specific Data Dependency [21.484736989505464]
本稿では,YONDという新しい視覚的生画像復号法について紹介する。
合成データのみに基づいて訓練されたYONDは、さまざまな未知のカメラが捉えたノイズの多い生画像に対して、堅牢に一般化することができる。
具体的には、YONDの実用性を保証するために、3つの重要なモジュールを提案する: 粗大なノイズ推定(CNE)、期待整合分散安定化変換(EM-VST)、SNR誘導デノイザ(SNR-Net)。
論文 参考訳（メタデータ） (2025-06-04T07:40:48Z) - LAN: Learning to Adapt Noise for Image Denoising [10.90034618138499]
本稿では,学習可能な雑音オフセットを与えられたノイズ画像に直接付加し,与えられた入力ノイズを学習ネットワークが処理するノイズ分布に近づける,学習型適応雑音(LAN)と呼ばれる新しい雑音除去アルゴリズムを提案する。
提案手法では,ノイズが見えない画像の性能向上を図り,提案する研究方向の可能性を提示する。
論文 参考訳（メタデータ） (2024-12-14T02:46:25Z) - Temporal As a Plugin: Unsupervised Video Denoising with Pre-Trained Image Denoisers [30.965705043127144]
本稿では,TAP (Temporal As aTAP) という,教師なしのビデオデノベーションフレームワークを提案する。
時間的加群を組み込むことで、ノイズの多いフレームをまたがる時間的情報を活用することができ、空間的 denoising のパワーを補完することができる。
他の教師なしビデオ復号化手法と比較して,本フレームワークは,SRGBと生ビデオ復号化データセットの両方において優れた性能を示す。
論文 参考訳（メタデータ） (2024-09-17T15:05:33Z) - 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) - Real-time Controllable Denoising for Image and Video [44.68523669975698]
コントロール可能なイメージデノゲーションは、人間の先行したクリーンなサンプルを生成し、シャープさと滑らかさのバランスをとることを目的としている。
本稿では,最初のディープ・イメージ・ビデオ・デノナイズ・パイプラインであるReal-time Controllable Denoising (RCD)を紹介する。
RCDは、任意のdenoisingレベルをリアルタイムに編集するための、完全に制御可能なユーザインターフェースを提供する。
論文 参考訳（メタデータ） (2023-03-29T03:10:28Z) - 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) - Adaptive noise imitation for image denoising [58.21456707617451]
本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。
現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。
ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
論文 参考訳（メタデータ） (2020-11-30T02:49:36Z) - Noise2Same: Optimizing A Self-Supervised Bound for Image Denoising [54.730707387866076]
本稿では,新しい自己教師型デノベーションフレームワークであるNoss2Sameを紹介する。
特にノイズ2Sameは、ノイズモデルに関するJ-不変性や余分な情報を必要としない。
以上の結果から,ノイズ2Sameは従来の自己監督型遮音法よりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2020-10-22T18:12:26Z) - 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。