論文の概要: Measuring and Controlling the Spectral Bias for Self-Supervised Image Denoising

• arxiv url: http://arxiv.org/abs/2510.00454v1
• Date: Wed, 01 Oct 2025 03:07:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.347901
• Title: Measuring and Controlling the Spectral Bias for Self-Supervised Image Denoising
• Title（参考訳）: 自己監督型画像復調のためのスペクトルバイアスの測定と制御
• Authors: Wang Zhang, Huaqiu Li, Xiaowan Hu, Tao Jiang, Zikang Chen, Haoqian Wang,
• Abstract要約: 現在、ペア化ノイズ画像の自己教師付き復調法では、ネットワークを介して1つのノイズ画像ともう1つのノイズ画像とをマッピングする。 我々は、ペア画像の自己教師付き雑音処理を最適化するために、スペクトル制御ネットワーク(SCNet)を導入する。 合成および実世界のデータセットで実施された実験は、SCNetの有効性を検証する。
• 参考スコア（独自算出の注目度）: 32.12139370364104
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current self-supervised denoising methods for paired noisy images typically involve mapping one noisy image through the network to the other noisy image. However, after measuring the spectral bias of such methods using our proposed Image Pair Frequency-Band Similarity, it suffers from two practical limitations. Firstly, the high-frequency structural details in images are not preserved well enough. Secondly, during the process of fitting high frequencies, the network learns high-frequency noise from the mapped noisy images. To address these challenges, we introduce a Spectral Controlling network (SCNet) to optimize self-supervised denoising of paired noisy images. First, we propose a selection strategy to choose frequency band components for noisy images, to accelerate the convergence speed of training. Next, we present a parameter optimization method that restricts the learning ability of convolutional kernels to high-frequency noise using the Lipschitz constant, without changing the network structure. Finally, we introduce the Spectral Separation and low-rank Reconstruction module (SSR module), which separates noise and high-frequency details through frequency domain separation and low-rank space reconstruction, to retain the high-frequency structural details of images. Experiments performed on synthetic and real-world datasets verify the effectiveness of SCNet.
• Abstract（参考訳）: ペア化ノイズ画像に対する現在の自己教師付きノイズ除去法は、通常、ネットワークを介して1つのノイズ画像と他のノイズ画像とをマッピングする。 しかし,提案した画像ペア周波数バンド類似度を用いて,そのような手法のスペクトルバイアスを測定した結果,実用的限界が2つあることがわかった。 第一に、画像中の高周波構造の詳細は十分に保存されていない。 第二に、高周波数に適合する過程で、マッピングされた雑音画像から高周波ノイズを学習する。 これらの課題に対処するために、ペア化ノイズ画像の自己教師付き復調を最適化するスペクトル制御ネットワーク(SCNet)を導入する。 まず,ノイズの多い画像に対して周波数帯域成分を選択することで,学習の収束速度を向上する手法を提案する。 次に、ネットワーク構造を変更することなく、リプシッツ定数を用いて畳み込みカーネルの学習能力を高周波雑音に制限するパラメータ最適化手法を提案する。 最後に、周波数領域分離と低ランク空間再構成によりノイズと高周波の詳細を分離し、高周波数構造の詳細を保持するスペクトル分離低ランク再構成モジュール(SSRモジュール)を提案する。 合成および実世界のデータセットで実施された実験は、SCNetの有効性を検証する。

関連論文リスト

• Learning Multi-scale Spatial-frequency Features for Image Denoising [58.883244886588336]
  本稿では,マルチスケール適応型デュアルドメインネットワーク(MADNet)を提案する。 画像ピラミッド入力を用いて低解像度画像からノイズのない結果を復元する。 高周波情報と低周波情報の相互作用を実現するために,適応型空間周波数学習ユニットを設計する。
  論文  参考訳（メタデータ） (2025-06-19T13:28:09Z)
• Freqformer: Image-Demoiréing Transformer via Efficient Frequency Decomposition [83.40450475728792]
  本稿では,Freqformerについて述べる。Freqformerは,ターゲット周波数分離による画像復号化に特化して設計されたトランスフォーマーベースのフレームワークである。 本手法は,モワールパターンを高周波数空間局在化テクスチャと低周波数スケールローバスト色歪みに明確に分割する有効な周波数分解を行う。 様々なデモアのベンチマーク実験により、Freqformerは、コンパクトなモデルサイズで最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-05-25T12:23:10Z)
• Frequency-Adaptive Pan-Sharpening with Mixture of Experts [22.28680499480492]
  パンシャーピングのための新しい周波数適応型エキスパート混合学習フレームワーク(FAME)を提案する。 本手法は他の最先端技術に対して最善を尽くし,現実のシーンに対して強力な一般化能力を有する。
  論文  参考訳（メタデータ） (2024-01-04T08:58:25Z)
• Hierarchical Disentangled Representation for Invertible Image Denoising and Beyond [14.432771193620702]
  画像の高周波部分にノイズが現れる傾向にあるという潜在観測に着想を得て,完全可逆復調法を提案する。 ノイズ画像は、可逆変換により、清浄な低周波およびハイブリッドな高周波部品に分解する。 このように、ノイズのない低周波部品と高周波部品とを逆にマージして、デノナイジングをトラクタブルにする。
  論文  参考訳（メタデータ） (2023-01-31T01:24:34Z)
• Thunder: Thumbnail based Fast Lightweight Image Denoising Network [92.9631117239565]
  textbfThumbtextbfnail ベースの textbfDtextbfenoising Netwotextbfrk called Thunder が提案されている。
  論文  参考訳（メタデータ） (2022-05-24T06:38:46Z)
• Exploring Inter-frequency Guidance of Image for Lightweight Gaussian Denoising [1.52292571922932]
  本稿では,周波数帯域を低域から高域に漸進的に洗練するために,IGNetと呼ばれる新しいネットワークアーキテクチャを提案する。 この設計では、より周波数間先行と情報を利用するため、モデルサイズは軽量化でき、競争結果も維持できる。
  論文  参考訳（メタデータ） (2021-12-22T10:35:53Z)
• Unsupervised Image Denoising with Frequency Domain Knowledge [2.834895018689047]
  教師付き学習ベースの手法は頑健な復調結果をもたらすが、大規模データセットの必要性により本質的に制限されている。 本研究では,周波数に敏感な非教師付き復調法を提案する。 自然および合成データセットを用いた結果から, 周波数情報で拡張した教師なし学習手法が, 最先端の遮音性能を実現することが示唆された。
  論文  参考訳（メタデータ） (2021-11-29T07:41:32Z)
• Wavelet-Based Network For High Dynamic Range Imaging [64.66969585951207]
  光学フローベースやエンド・ツー・エンドのディープラーニングベースのソリューションのような既存の方法は、詳細な復元やゴーストを除去する際にエラーを起こしやすい。 本研究では、周波数領域でHDR融合を行うための新しい周波数誘導型エンド・ツー・エンドディープニューラルネットワーク(FNet)を提案し、ウェーブレット変換(DWT)を用いて入力を異なる周波数帯域に分解する。 低周波信号は特定のゴーストアーティファクトを避けるために使用され、高周波信号は詳細を保存するために使用される。
  論文  参考訳（メタデータ） (2021-08-03T12:26:33Z)
• Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
  Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。 ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。 デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
  論文  参考訳（メタデータ） (2021-01-08T02:03:25Z)
• Flexible Image Denoising with Multi-layer Conditional Feature Modulation [56.018132592622706]
  条件付き特徴変調(CFM)モジュールを備えたU-Netバックボーンを備えることにより,新しいフレキシブル画像符号化ネットワーク(CFMNet)を提案する。 CFMNetは、第1層のみのチャネルワイドシフトと比較して、複数のCFM層を配置することでノイズレベル情報をよりよく利用することができる。 我々のCFMNetは、フレキシブルな非盲検のためのノイズレベル情報を利用するのに有効であり、定量的メトリクスと視覚的品質の両方の観点から、既存の深部画像復調法に対して好適に機能する。
  論文  参考訳（メタデータ） (2020-06-24T06:00:00Z)

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。