論文の概要: DenoiseGS: Gaussian Reconstruction Model for Burst Denoising
- arxiv url: http://arxiv.org/abs/2511.22939v2
- Date: Mon, 01 Dec 2025 14:55:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-02 15:37:38.437171
- Title: DenoiseGS: Gaussian Reconstruction Model for Burst Denoising
- Title（参考訳）: DenoiseGS:Burst Denoisingのためのガウス復元モデル
- Authors: Yongsen Cheng, Yuanhao Cai, Yulun Zhang,
- Abstract要約: バースト復調のための3次元ガウススプラッティングの効率性を活用した最初のフレームワークであるDenoiseGSを提案する。
提案手法は,雑音入力にフィードフォワードガウス再構成モデルを適用する際の2つの重要な課題に対処する。
実験により、DenoiseGSはバーストデノイングと新規ビュー合成の両方において最先端のNeRFベースの手法をはるかに上回っていることが示された。
- 参考スコア（独自算出の注目度）: 29.507111067242118
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Burst denoising methods are crucial for enhancing images captured on handheld devices, but they often struggle with large motion or suffer from prohibitive computational costs. In this paper, we propose DenoiseGS, the first framework to leverage the efficiency of 3D Gaussian Splatting for burst denoising. Our approach addresses two key challenges when applying feedforward Gaussian reconsturction model to noisy inputs: the degradation of Gaussian point clouds and the loss of fine details. To this end, we propose a Gaussian self-consistency (GSC) loss, which regularizes the geometry predicted from noisy inputs with high-quality Gaussian point clouds. These point clouds are generated from clean inputs by the same model that we are training, thereby alleviating potential bias or domain gaps. Additionally, we introduce a log-weighted frequency (LWF) loss to strengthen supervision within the spectral domain, effectively preserving fine-grained details. The LWF loss adaptively weights frequency discrepancies in a logarithmic manner, emphasizing challenging high-frequency details. Extensive experiments demonstrate that DenoiseGS significantly exceeds the state-of-the-art NeRF-based methods on both burst denoising and novel view synthesis under noisy conditions, while achieving 250$\times$ faster inference speed. Code and models are released at https://github.com/yscheng04/DenoiseGS.
- Abstract（参考訳）: バースト復調法は、ハンドヘルドデバイスで撮影された画像の強化に不可欠であるが、大きな動きに苦しむことや、計算コストの禁止に苦しむことも多い。
本稿では, バーストデノナイジングのための3次元ガウススプラッティングの効率性を活用した最初のフレームワークであるDenoiseGSを提案する。
提案手法は,ガウス点雲の劣化と詳細の喪失という,ノイズの多い入力にフィードフォワードガウス再構成モデルを適用する際の2つの重要な課題に対処する。
この目的のために,高品質なガウス点雲によるノイズ入力から予測される幾何を規則化するガウス自己整合性損失(GSC)を提案する。
これらの点雲は、私たちがトレーニングしているのと同じモデルによってクリーンな入力から生成されるため、潜在的なバイアスやドメインギャップが軽減されます。
さらに、スペクトル領域内の監視を強化するために、ログ重み付き周波数損失(LWF)を導入し、細粒度を効果的に保存する。
LWF損失は対数的な方法で周波数差を適応的に重み付け、挑戦的な高周波の詳細を強調する。
広汎な実験により、DenoiseGSは、ノイズ条件下でのバーストデノナイジングと新規ビュー合成の両方において最先端のNeRFベースの手法をはるかに上回り、より高速な推論速度で250$\times$を達成している。
コードとモデルはhttps://github.com/yscheng04/DenoiseGSで公開されている。
関連論文リスト
- Integrating Reweighted Least Squares with Plug-and-Play Diffusion Priors for Noisy Image Restoration [6.402777145722335]
インパルスノイズを含む一般的なノイズの頑健な除去のための生成拡散先に基づくプラグアンドプレイ画像復元フレームワークを提案する。
評価実験の結果,提案手法は非ガウス的インパルスノイズを効果的に除去し,復元性能が向上することが示された。
論文 参考訳（メタデータ） (2025-11-10T08:11:20Z) - U-CAN: Unsupervised Point Cloud Denoising with Consistency-Aware Noise2Noise Matching [87.76453413654922]
我々は、一貫性を意識したノイズ2ノイズマッチングを用いて、ポイントクラウドをデノナイズするための教師なしフレームワークであるU-CANを紹介する。
具体的には、ニューラルネットワークを利用して、ノイズとノイズのマッチング方式で、形状やシーンの各点について、多段階のノイズ伝達経路を推測する。
整合性を考慮したデノナイズパターンの学習のための,デノナイズド幾何整合性に関する新しい制約を導入する。
論文 参考訳（メタデータ） (2025-10-29T06:20:21Z) - Mitigating the Noise Shift for Denoising Generative Models via Noise Awareness Guidance [54.88271057438763]
ノイズアウェアネスガイダンス (NAG) は、事前に定義された騒音スケジュールと整合性を保つために、サンプリング軌道を明示的に制御する補正手法である。
NAGは一貫してノイズシフトを緩和し、主流拡散モデルの生成品質を大幅に改善する。
論文 参考訳（メタデータ） (2025-10-14T13:31:34Z) - Noise Augmented Fine Tuning for Mitigating Hallucinations in Large Language Models [1.0579965347526206]
大規模言語モデル(LLM)は、しばしば不正確な、または誤解を招くコンテンツ・ハロシンを生成する。
noise-Augmented Fine-Tuning (NoiseFiT) は適応ノイズ注入を利用してモデルロバスト性を高める新しいフレームワークである。
NoiseFiTは、動的にスケールしたガウス雑音を用いて、高SNR(より堅牢)または低SNR(潜在的に過正規化)と同定された層を選択的に摂動する。
論文 参考訳（メタデータ） (2025-04-04T09:27:19Z) - A Generative Model for Digital Camera Noise Synthesis [12.236112464800403]
クリーンな特徴をガイダンスとして利用し,続いてネットワークにノイズ注入を行う効果的な生成モデルを提案する。
具体的には、ジェネレータはスキップ接続を持つUNetのような構造を踏襲するが、ダウンサンプリングやアップサンプリングは行わない。
提案手法は,カメラノイズを合成するための既存手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-03-16T10:17:33Z) - DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。
高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。
異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
論文 参考訳（メタデータ） (2023-03-15T16:14:06Z) - A Data-driven Loss Weighting Scheme across Heterogeneous Tasks for Image Denoising [67.02529586335473]
変分分解モデルでは、データ忠実度項の重みはノイズ除去能力を高める役割を担っている。
本研究では,これらの問題に対処するデータ駆動型損失重み付け手法を提案する。
DLWの顕著な性能を検証し,様々な変分復調モデルの複素雑音処理能力の向上に寄与することを示した。
論文 参考訳（メタデータ） (2022-12-09T03:28:07Z) - 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) - Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。
提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-04-05T12:46:36Z)
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。