論文の概要: Image Denoising Using Global and Local Circulant Representation

• arxiv url: http://arxiv.org/abs/2512.23569v1
• Date: Mon, 29 Dec 2025 16:09:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.57264
• Title: Image Denoising Using Global and Local Circulant Representation
• Title（参考訳）: 大域的・局所的な循環表現を用いた画像認識
• Authors: Zhaoming Kong, Xiaowei Yang, Jiahuan Zhang,
• Abstract要約: Haar-tSVDは1段階の並列化可能なプラグアンドプレイデノイザである。 これは、Haar変換と組み合わせた統合テンソル特異値分解(t-SVD)プロジェクションを利用して、大域的および局所的なパッチ相関を効率的に捉える。 循環構造の固有値解析によりロバスト性を改善する適応雑音推定手法を提案する。
• 参考スコア（独自算出の注目度）: 6.207058215096057
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The proliferation of imaging devices and countless image data generated every day impose an increasingly high demand on efficient and effective image denoising. In this paper, we establish a theoretical connection between principal component analysis (PCA) and the Haar transform under circulant representation, and present a computationally simple denoising algorithm. The proposed method, termed Haar-tSVD, exploits a unified tensor singular value decomposition (t-SVD) projection combined with Haar transform to efficiently capture global and local patch correlations. Haar-tSVD operates as a one-step, parallelizable plug-and-play denoiser that eliminates the need for learning local bases, thereby striking a balance between denoising speed and performance. Besides, an adaptive noise estimation scheme is introduced to improve robustness according to eigenvalue analysis of the circulant structure. To further enhance the performance under severe noise conditions, we integrate deep neural networks with Haar-tSVD based on the established Haar-PCA relationship. Experimental results on various denoising datasets demonstrate the efficiency and effectiveness of proposed method for noise removal. Our code is publicly available at https://github.com/ZhaomingKong/Haar-tSVD.
• Abstract（参考訳）: 画像装置の増殖と、毎日発生する数え切れないほどの画像データにより、効率よく効果的な画像復調がますます需要を増している。 本稿では,主成分分析(PCA)とHaar変換との論理的関係を循環表現下で確立し,計算学的に単純な復調アルゴリズムを提案する。 提案手法はHaar-tSVDと呼ばれ、Haar変換と組み合わせた統合テンソル特異値分解(t-SVD)プロジェクションを利用して、グローバルおよびローカルなパッチ相関を効率的に捉える。 Haar-tSVDは1ステップで並列化可能なプラグアンドプレイデノイザとして動作し、ローカルベースを学習する必要がなくなる。 さらに, 循環構造の固有値解析によりロバスト性を向上させる適応雑音推定手法を導入する。 厳しい雑音条件下での性能を高めるため,確立されたHaar-PCA関係に基づいて,深いニューラルネットワークをHaar-tSVDと統合する。 各種ノイズ除去データセットの実験結果から,提案手法の有効性と有効性を示した。 私たちのコードはhttps://github.com/ZhaomingKong/Haar-tSVD.comで公開されています。

関連論文リスト

• Efficient Image Denoising Using Global and Local Circulant Representation [4.673484951060369]
  Haar-tSVDは、Haar変換の前に非局所的な自己相似性を探索する単純なアルゴリズムである。 テンソル-特異値の統一分解により,グローバルおよび局所的なパッチ相関を効果的に捉えることができることを示す。 Haar-tSVDの有効性と有効性を検証する。
  論文  参考訳（メタデータ） (2025-08-14T03:25:59Z)
• 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)
• 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)
• Enhancing convolutional neural network generalizability via low-rank weight approximation [6.763245393373041]
  十分なノイズ処理は、画像処理にとって重要な第一歩であることが多い。 ディープニューラルネットワーク(DNN)は画像のノイズ化に広く利用されている。 本研究では,タッカー低ランクテンソル近似に基づく自己教師付き画像復調フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-26T14:11:05Z)
• Multi-stage image denoising with the wavelet transform [125.2251438120701]
  深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。 動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
  論文  参考訳（メタデータ） (2022-09-26T03:28:23Z)
• 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)
• Image Denoising using Attention-Residual Convolutional Neural Networks [0.0]
  本稿では,学習に基づく新たな非盲検手法であるAttention Residual Convolutional Neural Network (ARCNN)を提案し,その拡張としてFlexible Attention Residual Convolutional Neural Network (FARCNN)を提案する。 ARCNNはガウス語とポアソン語で約0.44dBと0.96dBの平均PSNR結果を達成し、FARCNNはARCNNに比べて若干パフォーマンスが悪くても非常に一貫した結果を示した。
  論文  参考訳（メタデータ） (2021-01-19T16:37:57Z)
• Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
  ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。 本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
  論文  参考訳（メタデータ） (2019-08-29T15:54:06Z)

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。