論文の概要: SNNSIR: A Simple Spiking Neural Network for Stereo Image Restoration

• arxiv url: http://arxiv.org/abs/2508.12271v1
• Date: Sun, 17 Aug 2025 07:38:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.651836
• Title: SNNSIR: A Simple Spiking Neural Network for Stereo Image Restoration
• Title（参考訳）: SNNSIR:ステレオ画像復元のためのシンプルなスパイクニューラルネットワーク
• Authors: Ronghua Xu, Jin Xie, Jing Nie, Jiale Cao, Yanwei Pang,
• Abstract要約: スパイキングニューラルネットワーク(SNN)は高い計算効率と低エネルギー消費を提供する。 ステレオ画像復元のための単純なスパイキングニューラルネットワークであるSNNSIRを提案する。 本モデルは,計算オーバーヘッドを著しく低減しつつ,競争力のある復元性能を実現する。
• 参考スコア（独自算出の注目度）: 46.28078168687418
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spiking Neural Networks (SNNs), characterized by discrete binary activations, offer high computational efficiency and low energy consumption, making them well-suited for computation-intensive tasks such as stereo image restoration. In this work, we propose SNNSIR, a simple yet effective Spiking Neural Network for Stereo Image Restoration, specifically designed under the spike-driven paradigm where neurons transmit information through sparse, event-based binary spikes. In contrast to existing hybrid SNN-ANN models that still rely on operations such as floating-point matrix division or exponentiation, which are incompatible with the binary and event-driven nature of SNNs, our proposed SNNSIR adopts a fully spike-driven architecture to achieve low-power and hardware-friendly computation. To address the expressiveness limitations of binary spiking neurons, we first introduce a lightweight Spike Residual Basic Block (SRBB) to enhance information flow via spike-compatible residual learning. Building on this, the Spike Stereo Convolutional Modulation (SSCM) module introduces simplified nonlinearity through element-wise multiplication and highlights noise-sensitive regions via cross-view-aware modulation. Complementing this, the Spike Stereo Cross-Attention (SSCA) module further improves stereo correspondence by enabling efficient bidirectional feature interaction across views within a spike-compatible framework. Extensive experiments on diverse stereo image restoration tasks, including rain streak removal, raindrop removal, low-light enhancement, and super-resolution demonstrate that our model achieves competitive restoration performance while significantly reducing computational overhead. These results highlight the potential for real-time, low-power stereo vision applications. The code will be available after the article is accepted.
• Abstract（参考訳）: 個別のバイナリアクティベーションによって特徴づけられるスパイキングニューラルネットワーク(SNN)は、高い計算効率と低エネルギー消費を提供し、ステレオ画像復元のような計算集約的なタスクに適している。 本研究では,SNNSIRを提案する。SNNSIRは,スパースなイベントベースバイナリスパイクを通じて情報を伝達するスパイク駆動のパラダイムの下で設計された,シンプルで効果的なステレオ画像復元用スパイクニューラルネットワークである。 浮動小数点行列分割や指数化といった操作に依存している既存のハイブリッドSNN-ANNモデルとは対照的に,提案するSNNSIRは,低消費電力でハードウェアフレンドリな計算を実現するために,完全なスパイク駆動アーキテクチャを採用する。 まず,2次スパイキングニューロンの表現性制限に対処するため,スパイク互換残差学習による情報フローを向上させる軽量スパイク残留基本ブロック(SRBB)を導入する。 これに基づいて、Spike Stereo Convolutional Modulation (SSCM)モジュールは、要素ワイド乗算による単純化された非線形性を導入し、クロスビュー対応変調によるノイズ感受性領域の強調を行う。 これに補完するため、Spike Stereo Cross-Attention (SSCA)モジュールは、スパイク互換フレームワーク内のビュー間の効率的な双方向フィーチャインタラクションを可能にすることで、ステレオ対応をさらに改善する。 雨害除去,雨滴除去,低照度化,超高分解能化など,多様なステレオ画像復元作業に関する広範囲な実験により,我々のモデルは計算オーバーヘッドを大幅に低減しつつ,競争力のある復元性能を達成できることが実証された。 これらの結果は、リアルタイムで低消費電力のステレオビジョンアプリケーションの可能性を強調している。 記事が受理された後、コードは利用可能になる。

関連論文リスト

• Large Kernel Modulation Network for Efficient Image Super-Resolution [5.875680381119361]
  Large Kernel Modulation Network (LKMN) は純粋なCNNベースのモデルである。 LKMNには2つのコアコンポーネントがある: Enhanced partial Large Kernel Block (EPLKB) と Cross-Gate Feed-Forward Network (CGFN) である。 LKMN-L は Manga109 データセットの DAT-light よりも 0.23 dB PSNR の改善を 4 ドルアップスケールで達成し、ほぼ 4.8 倍高速である。
  論文  参考訳（メタデータ） (2025-08-16T03:43:14Z)
• Unifying Dimensions: A Linear Adaptive Approach to Lightweight Image Super-Resolution [6.857919231112562]
  ウィンドウベーストランスは超高解像度タスクにおいて優れた性能を示した。 畳み込みニューラルネットワークよりも計算複雑性と推論レイテンシが高い。 線形適応ミキサーネットワーク(LAMNet)という,畳み込みに基づくトランスフォーマーフレームワークを構築する。
  論文  参考訳（メタデータ） (2024-09-26T07:24:09Z)
• Rethinking Transformer-Based Blind-Spot Network for Self-Supervised Image Denoising [94.09442506816724]
  BSN(Blind-spot Network)は、自己教師付き画像復調(SSID)におけるニューラルネットワークアーキテクチャとして広く使われている。 本研究では,Transformer ベースの Blind-Spot Network (TBSN) を構築した。
  論文  参考訳（メタデータ） (2024-04-11T15:39:10Z)
• 1-bit Quantized On-chip Hybrid Diffraction Neural Network Enabled by Authentic All-optical Fully-connected Architecture [4.594367761345624]
  本研究では,行列乗算をDNNに組み込んだ新しいアーキテクチャであるHybrid Diffraction Neural Network(HDNN)を紹介する。 特異位相変調層と振幅変調層を用いて、トレーニングされたニューラルネットワークは、数字認識タスクにおいて96.39%と89%の顕著な精度を示した。
  論文  参考訳（メタデータ） (2024-04-11T02:54:17Z)
• Hybrid Convolutional and Attention Network for Hyperspectral Image Denoising [54.110544509099526]
  ハイパースペクトル画像(HSI)は、ハイパースペクトルデータの効果的な解析と解釈に重要である。 ハイブリット・コンボリューション・アテンション・ネットワーク(HCANet)を提案する。 主流HSIデータセットに対する実験結果は,提案したHCANetの合理性と有効性を示している。
  論文  参考訳（メタデータ） (2024-03-15T07:18:43Z)
• Adaptive Dynamic Filtering Network for Image Denoising [8.61083713580388]
  画像デノーミングネットワークでは、機能スケーリングは受動的フィールドサイズを拡大し、計算コストを削減するために広く利用されている。 本稿では、動的畳み込みを用いて、高周波およびマルチスケール特徴の学習を改善することを提案する。 我々は提案するDCBとAMDNetというMDCBを併用した効率的なデノベーションネットワークを構築した。
  論文  参考訳（メタデータ） (2022-11-22T06:54:27Z)
• Cross-receptive Focused Inference Network for Lightweight Image Super-Resolution [64.25751738088015]
  トランスフォーマーに基づく手法は、単一画像超解像(SISR)タスクにおいて顕著な性能を示した。 動的に特徴を抽出するために文脈情報を組み込む必要がある変換器は無視される。 我々は,CNNとTransformerを混合したCTブロックのカスケードで構成される,軽量なクロスレセプティブ・フォーカスド・推論・ネットワーク(CFIN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T16:32:29Z)
• Asymmetric CNN for image super-resolution [102.96131810686231]
  深層畳み込みニューラルネットワーク(CNN)は、過去5年間で低レベルビジョンに広く適用されています。 画像超解像のための非対称ブロック(AB)、mem?ory拡張ブロック(MEB)、高周波数特徴強調ブロック(HFFEB)からなる非対称CNN(ACNet)を提案する。 我々のACNetは、ブラインドノイズの単一画像超解像(SISR)、ブラインドSISR、ブラインドSISRを効果的に処理できる。
  論文  参考訳（メタデータ） (2021-03-25T07:10:46Z)
• Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
  本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。 実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。 ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
  論文  参考訳（メタデータ） (2021-03-15T12:54:26Z)

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。