論文の概要: Principal Component Analysis-Based Terahertz Self-Supervised Denoising and Deblurring Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2601.12149v1
• Date: Sat, 17 Jan 2026 19:45:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.486083
• Title: Principal Component Analysis-Based Terahertz Self-Supervised Denoising and Deblurring Deep Neural Networks
• Title（参考訳）: 主成分分析に基づくテラヘルツ自己監督型Denoising and Deblurring Deep Neural Network
• Authors: Pengfei Zhu, Xavier Maldague,
• Abstract要約: テラヘルツ (THz) システムは本質的に周波数依存性の劣化効果を導入し、振幅画像における低周波のぼかしと高周波ノイズをもたらす。 主成分分析(PCA)に基づく自己教師型 denoising and deblurring Network(THz-SSDD)を提案する。 このネットワークは、ノイズの本質的な特徴を捉えるために、再帰的から再帰的な自己教師付き学習戦略を採用している。
• 参考スコア（独自算出の注目度）: 7.9830655821581304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Terahertz (THz) systems inherently introduce frequency-dependent degradation effects, resulting in low-frequency blurring and high-frequency noise in amplitude images. Conventional image processing techniques cannot simultaneously address both issues, and manual intervention is often required due to the unknown boundary between denoising and deblurring. To tackle this challenge, we propose a principal component analysis (PCA)-based THz self-supervised denoising and deblurring network (THz-SSDD). The network employs a Recorrupted-to-Recorrupted self-supervised learning strategy to capture the intrinsic features of noise by exploiting invariance under repeated corruption. PCA decomposition and reconstruction are then applied to restore images across both low and high frequencies. The performance of the THz-SSDD network was evaluated on four types of samples. Training requires only a small set of unlabeled noisy images, and testing across samples with different material properties and measurement modes demonstrates effective denoising and deblurring. Quantitative analysis further validates the network feasibility, showing improvements in image quality while preserving the physical characteristics of the original signals.
• Abstract（参考訳）: テラヘルツ (THz) システムは本質的に周波数依存性の劣化効果を導入し、振幅画像における低周波のぼかしと高周波ノイズをもたらす。 従来の画像処理技術では、両方の問題に同時に対処することはできず、デノイングとデブロアリングの境界が未知であるため、手動による介入がしばしば必要となる。 この課題に対処するために、主成分分析(PCA)に基づく自己教師型 denoising and deblurring network (THz-SSDD)を提案する。 このネットワークは、繰り返しの汚職下での不変性を利用して、ノイズの本質的な特徴を捉えるために、再構成された自己教師付き学習戦略を採用している。 PCA分解と再構成は、低周波と高周波の両方にわたる画像の復元に適用される。 THz-SSDDネットワークの性能を4種類の試料で評価した。 トレーニングには、ラベルなしノイズ画像の小さなセットしか必要とせず、異なる材料特性と測定モードを持つサンプルをまたいだテストは、効果的なデノゲーションとデブロワーリングを示す。 定量的解析により、元の信号の物理的特性を保ちながら、画質の向上を示すネットワークの実現性をさらに検証する。

関連論文リスト

• Towards Frequency-Adaptive Learning for SAR Despeckling [10.764049665817629]
  分割・分散アーキテクチャに基づく周波数適応型ヘテロジニアスデスペクリングモデルを提案する。 ノイズ特性の異なるサブネットワークを設計し,周波数成分の異なるサブネットワークを設計する。 エッジやテクスチャに富んだ高周波サブバンドに対して,ノイズ抑制と機能強化のための変形可能な畳み込みを備えた拡張U-Netを導入する。
  論文  参考訳（メタデータ） (2025-11-08T07:08:22Z)
• Measuring and Controlling the Spectral Bias for Self-Supervised Image Denoising [32.12139370364104]
  現在、ペア化ノイズ画像の自己教師付き復調法では、ネットワークを介して1つのノイズ画像ともう1つのノイズ画像とをマッピングする。 我々は、ペア画像の自己教師付き雑音処理を最適化するために、スペクトル制御ネットワーク(SCNet)を導入する。 合成および実世界のデータセットで実施された実験は、SCNetの有効性を検証する。
  論文  参考訳（メタデータ） (2025-10-01T03:07:05Z)
• 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)
• SING: Semantic Image Communications using Null-Space and INN-Guided Diffusion Models [52.40011613324083]
  近年, 無線画像伝送において, 共用音源チャネル符号化システム (DeepJSCC) が顕著な性能を発揮している。 既存の手法では、送信された画像とレシーバーの再構成されたバージョンとの間の歪みを最小限に抑えることに重点を置いており、しばしば知覚的品質を見落としている。 逆問題として,破損した再構成画像から高品質な画像の復元を定式化する新しいフレームワークであるSINGを提案する。
  論文  参考訳（メタデータ） (2025-03-16T12:32:11Z)
• Hyperspectral Image Denoising via Self-Modulating Convolutional Neural Networks [15.700048595212051]
  相関スペクトルと空間情報を利用した自己変調畳み込みニューラルネットワークを提案する。 モデルの中心には新しいブロックがあり、隣り合うスペクトルデータに基づいて、ネットワークが適応的に特徴を変換することができる。 合成データと実データの両方の実験解析により,提案したSM-CNNは,他の最先端HSI復調法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-09-15T06:57:43Z)
• Degradation-Noise-Aware Deep Unfolding Transformer for Hyperspectral Image Denoising [9.119226249676501]
  ハイパースペクトル画像(HSI)は、帯域幅が狭いため、ノイズが多いことが多い。 HSIデータキューブのノイズを低減するため、モデル駆動型と学習型の両方の復調アルゴリズムが提案されている。 本稿では,これらの問題に対処するDNA-Net(Degradation-Noise-Aware Unfolding Network)を提案する。
  論文  参考訳（メタデータ） (2023-05-06T13:28:20Z)
• SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
  スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。 本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。 提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
  論文  参考訳（メタデータ） (2022-06-09T14:00:26Z)
• 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)
• Salvage Reusable Samples from Noisy Data for Robust Learning [70.48919625304]
  本稿では,Web画像を用いた深部FGモデルのトレーニングにおいて,ラベルノイズに対処するための再利用可能なサンプル選択と修正手法を提案する。 私たちのキーとなるアイデアは、再利用可能なサンプルの追加と修正を行い、それらをクリーンな例とともに活用してネットワークを更新することです。
  論文  参考訳（メタデータ） (2020-08-06T02:07:21Z)
• ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising [52.01041506447195]
  ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。 実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-04T08:36:27Z)
• 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。