Fugu-MT 論文翻訳(概要): Median2Median: Zero-shot Suppression of Structured Noise in Images

論文の概要: Median2Median: Zero-shot Suppression of Structured Noise in Images

arxiv url: http://arxiv.org/abs/2510.01666v1
Date: Thu, 02 Oct 2025 04:47:00 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-03 16:59:20.995247
Title: Median2Median: Zero-shot Suppression of Structured Noise in Images
Title（参考訳）: Median2Median:画像中の構造ノイズのゼロショット抑制
Authors: Jianxu Wang, Ge Wang,
Abstract要約: 実世界の画像は、強い異方性相関を持つ構造化ノイズによって劣化することが多い。本稿では,構造化雑音に対するゼロショットデノーミングフレームワークMedian2Median (M2M)を提案する。 M2Mは1つのノイズ入力から擬似非依存のサブイメージペアを生成する。
参考スコア（独自算出の注目度）: 6.396911723204044
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Image denoising is a fundamental problem in computer vision and medical imaging. However, real-world images are often degraded by structured noise with strong anisotropic correlations that existing methods struggle to remove. Most data-driven approaches rely on large datasets with high-quality labels and still suffer from limited generalizability, whereas existing zero-shot methods avoid this limitation but remain effective only for independent and identically distributed (i.i.d.) noise. To address this gap, we propose Median2Median (M2M), a zero-shot denoising framework designed for structured noise. M2M introduces a novel sampling strategy that generates pseudo-independent sub-image pairs from a single noisy input. This strategy leverages directional interpolation and generalized median filtering to adaptively exclude values distorted by structured artifacts. To further enlarge the effective sampling space and eliminate systematic bias, a randomized assignment strategy is employed, ensuring that the sampled sub-image pairs are suitable for Noise2Noise training. In our realistic simulation studies, M2M performs on par with state-of-the-art zero-shot methods under i.i.d. noise, while consistently outperforming them under correlated noise. These findings establish M2M as an efficient, data-free solution for structured noise suppression and mark the first step toward effective zero-shot denoising beyond the strict i.i.d. assumption.
Abstract（参考訳）: 画像復調はコンピュータビジョンと医用画像の基本的な問題である。しかし、実世界の画像は、既存の手法が取り除くのに苦労する強い異方性相関を持つ構造的なノイズによって劣化することが多い。ほとんどのデータ駆動型アプローチは、高品質なラベルを持つ大規模なデータセットに依存しており、依然として限定的な一般化性に悩まされているが、既存のゼロショット法はこの制限を回避しているが、独立かつ同一に分散されたノイズ(すなわち、d.d.)に対してのみ有効である。このギャップに対処するため,構造化雑音に配慮したゼロショットデノーミングフレームワークMedian2Median (M2M)を提案する。 M2Mは1つのノイズ入力から擬似非依存のサブイメージペアを生成する新しいサンプリング戦略を導入する。この戦略は、方向補間と一般化中央フィルタリングを利用して、構造化されたアーティファクトによって歪んだ値を適応的に排除する。有効サンプリングスペースをさらに拡大し、体系的バイアスをなくすため、ランダム化代入戦略を採用し、サンプル化されたサブイメージペアがノイズ2ノイズトレーニングに適していることを保証する。我々の現実的なシミュレーション研究では、M2Mはノイズ下での最先端のゼロショット法と同等に動作し、相関ノイズ下では一貫して性能が向上する。これらの結果は、M2Mを構造化雑音抑圧のための効率的でデータフリーなソリューションとして確立し、厳密な仮定を超えた効果的なゼロショットデノナイズに向けた第一歩をマークしている。

関連論文リスト

A Novel Truncated Norm Regularization Method for Multi-channel Color Image Denoising [5.624787484101139]
本論文は,DtNFM法(DtNFM法)を用いて,二重重み付き核ノルム最小化法(double-weighted truncated nuclear norm minus truncated Frobenius norm minimization, DtNFM法)を用いてカラー画像のノイズ化を行う。雑音像の非局所的な自己相似性を利用して、類似した構造を収集し、類似したパッチ行列を連続的に構築する。合成および実雑音データセットの実験により、提案手法は、多くの最先端カラー画像復調法より優れていることを示した。
論文参考訳（メタデータ） (2023-07-16T03:40:35Z)
Learning Degradation-Independent Representations for Camera ISP Pipelines [14.195578257521934]
本稿では, 自己教師付き学習ベースライン表現の洗練を通じて, 劣化非依存表現(DiR)を学習するための新しい手法を提案する。提案手法はドメイン一般化能力に優れ,様々なダウンストリームタスクにおいて最先端の手法よりも優れる。
論文参考訳（メタデータ） (2023-07-03T05:38:28Z)
NLIP: Noise-robust Language-Image Pre-training [95.13287735264937]
雑音調和と雑音補完という2つの手法を用いて事前学習の安定化を図るため,NLIPの原理的手法を提案する。我々のNLIPは、画像テキスト事前学習における一般的なノイズ効果をより効率的に軽減することができる。
論文参考訳（メタデータ） (2022-12-14T08:19:30Z)
Learning to Generate Realistic Noisy Images via Pixel-level Noise-aware Adversarial Training [50.018580462619425]
我々は,PNGAN(Pixel-level Noise-aware Generative Adrial Network)という新しいフレームワークを提案する。 PNGANは、トレーニング済みのリアルデノイザーを使用して、フェイク画像とリアルノイズ画像をほぼノイズのないソリューション空間にマッピングする。より優れたノイズフィッティングを実現するため,ジェネレータとしてSimple Multi-versa-scale Network (SMNet) を提案する。
論文参考訳（メタデータ） (2022-04-06T14:09:02Z)
C2N: Practical Generative Noise Modeling for Real-World Denoising [53.96391787869974]
両例を使わずに複雑な実世界の騒音を模倣するクリーン・ツー・ノイズ画像生成フレームワーク,すなわちC2Nを導入する。我々は,C2Nの騒音発生器を実世界の騒音特性の成分に応じて構築し,広い範囲の騒音を正確に表現する。
論文参考訳（メタデータ） (2022-02-19T05:53:46Z)
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)
Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
論文参考訳（メタデータ） (2021-10-10T10:45:24Z)
Unsupervised Single Image Super-resolution Under Complex Noise [60.566471567837574]
本稿では,一般のSISRタスクを未知の劣化で扱うためのモデルベースunsupervised SISR法を提案する。提案手法は, より小さなモデル (0.34M vs. 2.40M) だけでなく, より高速な技術 (SotA) 法 (約1dB PSNR) の現況を明らかに超えることができる。
論文参考訳（メタデータ） (2021-07-02T11:55:40Z)
Noise2Inpaint: Learning Referenceless Denoising by Inpainting Unrolling [2.578242050187029]
本稿では,ノイズ2Inpaint (N2I) をトレーニング手法として導入し,デノナイジング問題を正規化した画像インパインティングフレームワークに再キャストする。 N2Iは、実世界のデータセットのデノベーションを成功させると同時に、純粋にデータ駆動型であるNoss2Selfと比較して詳細を保存できる。
論文参考訳（メタデータ） (2020-06-16T18:46:42Z)
Noise2Inverse: Self-supervised deep convolutional denoising for tomography [0.0]
Noise2Inverseは、線形画像再構成アルゴリズムのためのディープCNNに基づくDenoising法である。そこで我々は,そのような学習がCNNを実際に獲得することを示す理論的枠組みを構築した。シミュレーションCTデータセットにおいて、Noss2Inverseはピーク信号対雑音比と構造類似度指数の改善を示す。
論文参考訳（メタデータ） (2020-01-31T12:50:24Z)

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。