論文の概要: 2-Shots in the Dark: Low-Light Denoising with Minimal Data Acquisition

• arxiv url: http://arxiv.org/abs/2512.03245v1
• Date: Tue, 02 Dec 2025 21:32:31 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 11:59:46.798036
• Title: 2-Shots in the Dark: Low-Light Denoising with Minimal Data Acquisition
• Title（参考訳）: 暗黒の2ショット:最小データ取得による低照度デノーミング
• Authors: Liying Lu, Raphaël Achddou, Sabine Süsstrunk,
• Abstract要約: 学習ベースのデノイザは、高品質なイメージを再構築する可能性がある。 トレーニングには、これらのデノイザはクリーンでノイズの多い画像の大規模なデータセットを必要とする。 ノイズ合成は大規模データ取得の代替手段である。
• 参考スコア（独自算出の注目度）: 24.81422645983973
• License:
• Abstract: Raw images taken in low-light conditions are very noisy due to low photon count and sensor noise. Learning-based denoisers have the potential to reconstruct high-quality images. For training, however, these denoisers require large paired datasets of clean and noisy images, which are difficult to collect. Noise synthesis is an alternative to large-scale data acquisition: given a clean image, we can synthesize a realistic noisy counterpart. In this work, we propose a general and practical noise synthesis method that requires only one single noisy image and one single dark frame per ISO setting. We represent signal-dependent noise with a Poisson distribution and introduce a Fourier-domain spectral sampling algorithm to accurately model signal-independent noise. The latter generates diverse noise realizations that maintain the spatial and statistical properties of real sensor noise. As opposed to competing approaches, our method neither relies on simplified parametric models nor on large sets of clean-noisy image pairs. Our synthesis method is not only accurate and practical, it also leads to state-of-the-art performances on multiple low-light denoising benchmarks.
• Abstract（参考訳）: 低照度条件下で撮影された生画像は、低光子数とセンサノイズのために非常にうるさい。 学習ベースのデノイザは、高品質なイメージを再構築する可能性がある。 しかし、トレーニングのためには、これらのデノイザは、収集が困難であるクリーンでノイズの多い画像の大きなペアデータセットを必要とする。 ノイズ合成は大規模なデータ取得の代替手段であり、クリーンな画像が与えられたら、現実的なノイズを合成できる。 そこで本研究では,ISO設定毎に1つのノイズ像と1つのダークフレームしか必要としない,汎用的で実用的なノイズ合成手法を提案する。 ポアソン分布を持つ信号依存雑音を表現し、信号依存雑音を正確にモデル化するためのフーリエ領域スペクトルサンプリングアルゴリズムを導入する。 後者は、実センサノイズの空間的および統計的特性を維持する多様なノイズ実現を生成する。 競合するアプローチとは対照的に,本手法は単純化されたパラメトリックモデルにも,クリーンノイズの画像ペアの大規模なセットにも依存しない。 我々の合成法は正確かつ実用的なだけでなく、複数の低照度ベンチマーク上での最先端の性能にも繋がる。

関連論文リスト

• Dark Noise Diffusion: Noise Synthesis for Low-Light Image Denoising [22.897202020483576]
  低照度写真は、限られた光子による信号対雑音比の低い画像を生成する。 ディープラーニングの手法はうまく機能するが、取得には実用的でないペア画像の大規模なデータセットが必要である。 本稿では,低照度雑音の複雑な分布を捉える拡散モデルについて検討する。
  論文  参考訳（メタデータ） (2025-03-14T10:16:54Z)
• Towards General Low-Light Raw Noise Synthesis and Modeling [37.87312467017369]
  生成モデルにより信号非依存ノイズを合成する新しい視点を導入する。 具体的には、信号に依存しないノイズと信号に依存しないノイズを物理と学習に基づく方法で合成する。 このようにして、本手法は一般的なモデルとみなすことができ、つまり、異なるISOレベルの異なるノイズ特性を同時に学習することができる。
  論文  参考訳（メタデータ） (2023-07-31T09:10:10Z)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• Noise2NoiseFlow: Realistic Camera Noise Modeling without Clean Images [35.29066692454865]
  本稿では,ノイズモデルとデノイザを同時にトレーニングするためのフレームワークを提案する。 ノイズ/クリーンなペア画像データではなく、ノイズの多いイメージのペアに依存します。 トレーニングされたデノイザーは、教師付きおよび弱教師付きベースラインデノイジングアプローチの両方において、大幅に改善される。
  論文  参考訳（メタデータ） (2022-06-02T15:31:40Z)
• 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)
• 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)

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。