論文の概要: Zero-Shot CFC: Fast Real-World Image Denoising based on Cross-Frequency Consistency

• arxiv url: http://arxiv.org/abs/2510.12646v1
• Date: Tue, 14 Oct 2025 15:35:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.378435
• Title: Zero-Shot CFC: Fast Real-World Image Denoising based on Cross-Frequency Consistency
• Title（参考訳）: Zero-Shot CFC:クロス周波数一貫性に基づく高速実世界画像デノナイズ
• Authors: Yanlin Jiang, Yuchen Liu, Mingren Liu,
• Abstract要約: 既存のゼロショット法は長い訓練時間に悩まされており、ノイズ独立とゼロ平均特性の仮定に依存している。 本稿では,ZSCFC(Cross-Frequency Consistency)に基づく実世界のノイズ除去手法であるZero-Shot Denoiserを提案する。 特に、画像テクスチャは異なる周波数帯域で位置類似性と内容整合性を示すが、ノイズは生じない。
• 参考スコア（独自算出の注目度）: 5.920339001212498
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Zero-shot denoisers address the dataset dependency of deep-learning-based denoisers, enabling the denoising of unseen single images. Nonetheless, existing zero-shot methods suffer from long training times and rely on the assumption of noise independence and a zero-mean property, limiting their effectiveness in real-world denoising scenarios where noise characteristics are more complicated. This paper proposes an efficient and effective method for real-world denoising, the Zero-Shot denoiser based on Cross-Frequency Consistency (ZSCFC), which enables training and denoising with a single noisy image and does not rely on assumptions about noise distribution. Specifically, image textures exhibit position similarity and content consistency across different frequency bands, while noise does not. Based on this property, we developed cross-frequency consistency loss and an ultralight network to realize image denoising. Experiments on various real-world image datasets demonstrate that our ZSCFC outperforms other state-of-the-art zero-shot methods in terms of computational efficiency and denoising performance.
• Abstract（参考訳）: Zero-shot denoisersはディープラーニングベースのdenoiserのデータセット依存性に対処し、目に見えない単一のイメージのdenoisingを可能にする。 それにもかかわらず、既存のゼロショット法は長い訓練時間に悩まされており、ノイズの独立性やゼロ平均特性の仮定に依存しており、ノイズ特性がより複雑である実世界の雑音発生シナリオにおいて、それらの効果を制限している。 本稿では,ZSCFC(Cross-Frequency Consistency)をベースとした実世界の雑音除去手法であるZero-Shot Denoiserを提案する。 特に、画像テクスチャは異なる周波数帯域で位置類似性と内容整合性を示すが、ノイズは生じない。 この特性に基づいて、画像のデノーミングを実現するために、クロス周波数整合損失とウルトラライトネットワークを開発した。 実世界の様々な画像データセットの実験により、ZSCFCは他の最先端ゼロショット法よりも計算効率とデノーミング性能の点で優れていることが示された。

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)
• Learning to Translate Noise for Robust Image Denoising [38.61470097987608]
  ディープ・ラーニング・テクニックは、現実世界のノイズに分布しないような一般化性能に苦しむことが多い。 そこで,本研究では,元の雑音画像を直接デノナイズするのではなく,変換された雑音で画像をデノナイズする新しいノイズ翻訳フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-06T02:35:44Z)
• Back to Basics: Fast Denoising Iterative Algorithm [0.0]
  ノイズ低減のための高速反復アルゴリズムであるBack to Basics (BTB)を紹介する。 光コヒーレンス・トモグラフィー(OCT)における白色ガウス雑音の存在下での自然像,ポアソン分布画像デノイング,スペックル抑制の3症例について検討した。 実験結果から,提案手法は画像品質を効果的に向上しうることを示す。
  論文  参考訳（メタデータ） (2023-11-11T18:32:06Z)
• Realistic Noise Synthesis with Diffusion Models [44.404059914652194]
  ディープラーニングモデルには、大規模な実世界のトレーニングデータが必要です。 本稿では,これらの課題に対処するために拡散モデルを用いた新しい実音合成拡散器(RNSD)法を提案する。
  論文  参考訳（メタデータ） (2023-05-23T12:56:01Z)
• Robust Deep Ensemble Method for Real-world Image Denoising [62.099271330458066]
  そこで本研究では,実世界の画像認識のための単純なベイズディープアンサンブル(BDE)手法を提案する。 我々のBDEは、最先端の復調法よりも+0.28dBPSNRのゲインを達成している。 我々のBDEは他の画像復元タスクにも拡張でき、ベンチマークデータセット上で+0.30dB、+0.18dB、+0.12dB PSNRゲインを達成することができる。
  論文  参考訳（メタデータ） (2022-06-08T06:19:30Z)
• 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)
• 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)
• 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)
• Learning Model-Blind Temporal Denoisers without Ground Truths [46.778450578529814]
  合成データで訓練されたデノイザーは、未知のノイズの多様性に対処できないことが多い。 従来の画像ベース手法は、ビデオデノイザに直接適用した場合、ノイズが過度に収まる。 本稿では,これらの課題に対処する上で有効な,ビデオ・デノベーション・ネットワークの汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-07T07:19:48Z)

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。