論文の概要: Transforming Noise Distributions with Histogram Matching: Towards a Single Denoiser for All

• arxiv url: http://arxiv.org/abs/2510.06757v1
• Date: Wed, 08 Oct 2025 08:34:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.366218
• Title: Transforming Noise Distributions with Histogram Matching: Towards a Single Denoiser for All
• Title（参考訳）: ヒストグラムマッチングによる雑音分布の変換--すべてに対する単一デノイザに向けて
• Authors: Sheng Fu, Junchao Zhang, Kailun Yang,
• Abstract要約: 監督されたガウスのデノイザーは、分布外ノイズに直面した場合に限定的な一般化を示す。 本稿では,任意の雑音をガウス分布に既知の強度で変換するヒストグラムマッチング手法を提案する。
• 参考スコア（独自算出の注目度）: 11.736212158463147
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Supervised Gaussian denoisers exhibit limited generalization when confronted with out-of-distribution noise, due to the diverse distributional characteristics of different noise types. To bridge this gap, we propose a histogram matching approach that transforms arbitrary noise towards a target Gaussian distribution with known intensity. Moreover, a mutually reinforcing cycle is established between noise transformation and subsequent denoising. This cycle progressively refines the noise to be converted, making it approximate the real noise, thereby enhancing the noise transformation effect and further improving the denoising performance. We tackle specific noise complexities: local histogram matching handles signal-dependent noise, intrapatch permutation processes channel-related noise, and frequency-domain histogram matching coupled with pixel-shuffle down-sampling breaks spatial correlation. By applying these transformations, a single Gaussian denoiser gains remarkable capability to handle various out-of-distribution noises, including synthetic noises such as Poisson, salt-and-pepper and repeating pattern noises, as well as complex real-world noises. Extensive experiments demonstrate the superior generalization and effectiveness of our method.
• Abstract（参考訳）: 監督されたガウスのデノイザは、様々なノイズの分布特性のために、分布外ノイズに直面した場合に限定的な一般化を示す。 このギャップを埋めるために、任意の雑音を既知の強度で目標ガウス分布に変換するヒストグラムマッチング手法を提案する。 さらに、ノイズ変換とその後のデノナイズの間に相互強化サイクルが確立される。 このサイクルは、変換されるノイズを徐々に洗練させ、実際のノイズを近似させ、ノイズ変換効果を高め、さらにデノナイジング性能を向上させる。 局所ヒストグラムマッチングは信号依存ノイズ, チャネル関連ノイズ, 周波数領域ヒストグラムマッチングと画素シャッフルダウンサンプリングを併用することで空間的相関を破る。 これらの変換を適用することで、ポアソン、ソルト・アンド・ペッパー、繰り返しパターンノイズなどの合成ノイズや複雑な現実世界ノイズなど、様々なアウト・オブ・ディストリビューションノイズを処理できる1つのガウスデノイザが顕著に得られる。 大規模な実験により,本手法のより優れた一般化と有効性が示された。

関連論文リスト

• Noise Matters: Optimizing Matching Noise for Diffusion Classifiers [6.442738337380714]
  本稿では,DCの整合性(良い)を学習するための新しいノイズ最適化手法を提案する: NoOp。 周波数マッチングのために、NoOpはまずランダムにパラメータ化されたノイズを最適化する。 空間マッチングでは、NoOpはメタネットワークをトレーニングし、入力出力としてイメージを採用する。
  論文  参考訳（メタデータ） (2025-08-15T09:01:03Z)
• Enhancing Sample Generation of Diffusion Models using Noise Level Correction [9.014666170540304]
  提案手法は, 推定雑音レベルと雑音の真の距離を多様体に合わせることで, サンプル生成を向上する手法である。 具体的には,事前学習した騒音レベル補正ネットワークを導入し,騒音レベル推定を改良する。 実験結果から,本手法は,制約のない生成シナリオと制約のない生成シナリオの両方において,サンプルの品質を著しく向上することが示された。
  論文  参考訳（メタデータ） (2024-12-07T01:19:14Z)
• NoiseDiffusion: Correcting Noise for Image Interpolation with Diffusion Models beyond Spherical Linear Interpolation [86.7260950382448]
  画像の妥当性を補正する新しい手法としてノイズ拡散法を提案する。 NoiseDiffusionはノイズの多い画像空間内で動作し、これらのノイズの多い画像に生画像を注入することで、情報損失の課題に対処する。
  論文  参考訳（メタデータ） (2024-03-13T12:32:25Z)
• Blue noise for diffusion models [50.99852321110366]
  本稿では,画像内および画像間の相関雑音を考慮した拡散モデルを提案する。 我々のフレームワークは、勾配流を改善するために、1つのミニバッチ内に画像間の相関を導入することができる。 本手法を用いて,各種データセットの質的,定量的な評価を行う。
  論文  参考訳（メタデータ） (2024-02-07T14:59:25Z)
• Optimizing the Noise in Self-Supervised Learning: from Importance Sampling to Noise-Contrastive Estimation [80.07065346699005]
  GAN(Generative Adversarial Networks)のように、最適な雑音分布はデータ分布に等しくなると広く想定されている。 我々は、この自己教師型タスクをエネルギーベースモデルの推定問題として基礎づけるノイズ・コントラスト推定に目を向ける。 本研究は, 最適雑音のサンプリングは困難であり, 効率性の向上は, データに匹敵する雑音分布を選択することに比べ, 緩やかに行うことができると結論付けた。
  論文  参考訳（メタデータ） (2023-01-23T19:57:58Z)
• 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)
• CFNet: Conditional Filter Learning with Dynamic Noise Estimation for Real Image Denoising [37.29552796977652]
  本稿では、カメラ内信号処理パイプラインを用いた異方性ガウス/ポアソンガウス分布によって近似された実雑音について考察する。 本稿では,特徴位置の異なる最適なカーネルを画像とノイズマップの局所的特徴により適応的に推定できる条件付きフィルタを提案する。 また,CNN構造にノイズ推定や非ブラインド復調を行う場合,反復的特徴復調を導出する前に連続的にノイズを更新すると考える。
  論文  参考訳（メタデータ） (2022-11-26T14:28:54Z)
• High-Order Qubit Dephasing at Sweet Spots by Non-Gaussian Fluctuators: Symmetry Breaking and Floquet Protection [55.41644538483948]
  非ガウスゆらぎによるqubit dephasingについて検討した。 非ガウス雑音に特有の対称性破壊効果を予測する。
  論文  参考訳（メタデータ） (2022-06-06T18:02:38Z)
• 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)

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。