論文の概要: Nonlinear Noise2Noise for Efficient Monte Carlo Denoiser Training
- arxiv url: http://arxiv.org/abs/2512.24794v1
- Date: Wed, 31 Dec 2025 11:30:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-01 23:27:28.639196
- Title: Nonlinear Noise2Noise for Efficient Monte Carlo Denoiser Training
- Title（参考訳）: モンテカルロデノイザの高効率化のための非線形ノイズ2
- Authors: Andrew Tinits, Stephen Mann,
- Abstract要約: ノイズ2ノイズトレーニングには大きな制限があり、ノイズターゲットに適用された非線形関数は結果を歪ませる。
非線形関数は画像処理において一般的であるため、ノイズの多いターゲットで実行できるプリプロセッシングの種類を制限することができる。
損失関数とトーンマッピング関数の特定の組み合わせは、最小バイアスを導入しながら、外れ値の影響を低減できることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Noise2Noise method allows for training machine learning-based denoisers with pairs of input and target images where both the input and target can be noisy. This removes the need for training with clean target images, which can be difficult to obtain. However, Noise2Noise training has a major limitation: nonlinear functions applied to the noisy targets will skew the results. This bias occurs because the nonlinearity makes the expected value of the noisy targets different from the clean target image. Since nonlinear functions are common in image processing, avoiding them limits the types of preprocessing that can be performed on the noisy targets. Our main insight is that certain nonlinear functions can be applied to the noisy targets without adding significant bias to the results. We develop a theoretical framework for analyzing the effects of these nonlinearities, and describe a class of nonlinear functions with minimal bias. We demonstrate our method on the denoising of high dynamic range (HDR) images produced by Monte Carlo rendering. Noise2Noise training can have trouble with HDR images, where the training process is overwhelmed by outliers and performs poorly. We consider a commonly used method of addressing these training issues: applying a nonlinear tone mapping function to the model output and target images to reduce their dynamic range. This method was previously thought to be incompatible with Noise2Noise training because of the nonlinearities involved. We show that certain combinations of loss functions and tone mapping functions can reduce the effect of outliers while introducing minimal bias. We apply our method to an existing machine learning-based Monte Carlo denoiser, where the original implementation was trained with high-sample count reference images. Our results approach those of the original implementation, but are produced using only noisy training data.
- Abstract（参考訳）: ノイズ2ノイズ法では、入力とターゲットの両方がノイズの多い入力とターゲットの画像のペアで機械学習ベースのノイズを訓練することができる。
これにより、クリーンなターゲットイメージによるトレーニングが不要になり、入手が困難になる可能性がある。
しかし、ノイズ2ノイズトレーニングには大きな制限があり、ノイズ対象に適用される非線形関数は結果を歪ませる。
このバイアスは、非線形性がノイズ目標の期待値をクリーンターゲット画像と異なるものにするため発生する。
非線形関数は画像処理では一般的であるため、ノイズの多いターゲットで実行できるプリプロセッシングの種類を制限することができる。
我々の主な洞察は、ある非線形関数は結果に顕著なバイアスを加えることなくノイズ対象に適用できるということである。
これらの非線形性の効果を解析するための理論的枠組みを開発し、最小バイアスの非線形関数のクラスを記述する。
モンテカルロレンダリングにより生成した高ダイナミックレンジ(HDR)画像のノイズ化について,本手法を実証する。
ノイズ2ノイズトレーニングは、トレーニングプロセスが外れ値に圧倒され、性能が悪く、HDR画像に支障を来す可能性がある。
モデル出力と対象画像に非線形トーンマッピング関数を適用して、それらの動的範囲を小さくする。
この手法は従来, 非線形性のためノイズ2ノイズトレーニングとは相容れないと考えられていた。
損失関数とトーンマッピング関数の特定の組み合わせは、最小バイアスを導入しながら、外れ値の影響を低減できることを示す。
提案手法を既存の機械学習ベースであるMonte Carlo denoiserに適用した。
提案手法はオリジナルの実装にアプローチするが,ノイズの多いトレーニングデータのみを用いて生成する。
関連論文リスト
- IDF: Iterative Dynamic Filtering Networks for Generalizable Image Denoising [13.724329101670106]
動的に生成したカーネルを効率よく操作することで画像のデノナイズを行う。
このアプローチは、過度なフィットを防ぎ、目に見えないノイズに対するレジリエンスを改善するのに役立つ。
単一レベルのガウスノイズで訓練されているにもかかわらず、我々のコンパクトモデルは様々なノイズタイプとレベルにまたがって優れています。
論文 参考訳（メタデータ） (2025-08-27T07:58:07Z) - Self-Calibrated Variance-Stabilizing Transformations for Real-World Image Denoising [19.08732222562782]
教師付き深層学習が画像認知のための選択方法となっている。
一般の信条とは対照的に,ガウスノイズ除去に特化するネットワークを有効活用し,実世界の画像復調に有効であることを示す。
論文 参考訳（メタデータ） (2024-07-24T16:23:46Z) - Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。
提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。
提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
論文 参考訳（メタデータ） (2023-03-23T09:33:44Z) - Diffusion Model for Generative Image Denoising [17.897180118637856]
画像復調のための教師あり学習では、通常、ペアのクリーンな画像とノイズの多い画像を収集し合成し、復調モデルを訓練する。
本稿では,ノイズ画像に条件付けされたクリーン画像の後部分布を推定する問題として,デノナイジングタスクを考察する。
論文 参考訳（メタデータ） (2023-02-05T14:53:07Z) - 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) - 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) - Unpaired Learning of Deep Image Denoising [80.34135728841382]
本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。
自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。
実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
論文 参考訳（メタデータ） (2020-08-31T16:22:40Z) - Improving Blind Spot Denoising for Microscopy [73.94017852757413]
自己監督型認知の質を向上させる新しい方法を提案する。
我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
論文 参考訳（メタデータ） (2020-08-19T13:06:24Z) - Noise2Inpaint: Learning Referenceless Denoising by Inpainting Unrolling [2.578242050187029]
本稿では,ノイズ2Inpaint (N2I) をトレーニング手法として導入し,デノナイジング問題を正規化した画像インパインティングフレームワークに再キャストする。
N2Iは、実世界のデータセットのデノベーションを成功させると同時に、純粋にデータ駆動型であるNoss2Selfと比較して詳細を保存できる。
論文 参考訳（メタデータ） (2020-06-16T18:46:42Z)
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。