論文の概要: Rethinking Skip Connections: Additive U-Net for Robust and Interpretable Denoising

• arxiv url: http://arxiv.org/abs/2601.13208v1
• Date: Mon, 19 Jan 2026 16:36:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.973148
• Title: Rethinking Skip Connections: Additive U-Net for Robust and Interpretable Denoising
• Title（参考訳）: スキップ接続を再考する:ロバストで解釈可能なデノイングのための付加的なU-Net
• Authors: Vikram R Lakkavalli,
• Abstract要約: 本稿では,連結型スキップをゲート型付加接続に置き換えるAdditive U-Netを提案する。 付加的なU-Netは、カーネルのスケジュールや深さにまたがる堅牢さで、ノイズレベルが15, 25, 50の競合PSNR/SSIMを達成することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Skip connections are central to U-Net architectures for image denoising, but standard concatenation doubles channel dimensionality and obscures information flow, allowing uncontrolled noise transfer. We propose the Additive U-Net, which replaces concatenative skips with gated additive connections. Each skip pathway is scaled by a learnable non-negative scalar, offering explicit and interpretable control over encoder contributions while avoiding channel inflation. Evaluations on the Kodak-17 denoising benchmark show that Additive U-Net achieves competitive PSNR/SSIM at noise levels σ = 15, 25, 50, with robustness across kernel schedules and depths. Notably, effective denoising is achieved even without explicit down/up-sampling or forced hierarchies, as the model naturally learns a progression from high-frequency to band-pass to low-frequency features. These results position additive skips as a lightweight and interpretable alternative to concatenation, enabling both efficient design and a clearer understanding of multi-scale information transfer in reconstruction networks.
• Abstract（参考訳）: スキップ接続は、イメージデノーミングのためのU-Netアーキテクチャの中心であるが、標準結合はチャネル次元を2倍にし、情報の流れを曖昧にし、制御不能なノイズ伝達を可能にする。 本稿では,連結型スキップをゲート型付加接続に置き換えるAdditive U-Netを提案する。 各スキップ経路は学習可能な非負のスカラーによって拡張され、チャネルインフレーションを回避しつつ、エンコーダのコントリビューションを明確に解釈可能な制御を提供する。 Kodak-17 denoisingベンチマークの評価によると、Additive U-Net はノイズレベル σ = 15, 25, 50 で競合する PSNR/SSIM を達成する。 特に、モデルが高周波から帯域通過から低周波特徴への進行を自然に学習するため、明示的なダウン/アップサンプリングや強制階層なしに効果的な復調が達成される。 これらの結果から,コンカネーションの軽量かつ解釈可能な代替手段として付加的スキップを位置づけ,効率的な設計と再構成ネットワークにおけるマルチスケール情報伝達の理解の明確化を実現した。

関連論文リスト

• 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)
• Filter2Noise: Interpretable Self-Supervised Single-Image Denoising for Low-Dose CT with Attention-Guided Bilateral Filtering [3.788107003189284]
  解釈可能な自己教師型単一画像復調フレームワーク Filter2Noise (F2N) を提案する。 本手法では,軽量モジュールを介して各ノイズに適応するアテンションガイドバイラテラルフィルタを提案する。 マヨクリニック2016の低用量CTデータセットでは、F2Nは4.5dB9 PSNRで指導的な自己監督シングルイメージ法(ZS-N2N)より優れている。
  論文  参考訳（メタデータ） (2025-04-18T07:15:27Z)
• Unsupervised CP-UNet Framework for Denoising DAS Data with Decay Noise [13.466125373185399]
  分散音響センサ(DAS)技術は光ファイバーケーブルを利用して音響信号を検出する。 DASは、ジオフォンよりも低い信号対雑音比(S/N)を示す。 これにより、S/Nの低減は、反転と解釈を含むデータ解析に悪影響を及ぼす。
  論文  参考訳（メタデータ） (2025-02-19T03:09:49Z)
• 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)
• Image Blind Denoising Using Dual Convolutional Neural Network with Skip Connection [2.9689285167236603]
  我々は、スキップ接続(DCBDNet)を用いた新しい二重畳み込みブラインド復調ネットワークを提案する。 提案するDCBDNetは、雑音推定ネットワークと二重畳み込みニューラルネットワーク(CNN)から構成される。
  論文  参考訳（メタデータ） (2023-04-04T08:21:46Z)
• Real-time Controllable Denoising for Image and Video [44.68523669975698]
  コントロール可能なイメージデノゲーションは、人間の先行したクリーンなサンプルを生成し、シャープさと滑らかさのバランスをとることを目的としている。 本稿では,最初のディープ・イメージ・ビデオ・デノナイズ・パイプラインであるReal-time Controllable Denoising (RCD)を紹介する。 RCDは、任意のdenoisingレベルをリアルタイムに編集するための、完全に制御可能なユーザインターフェースを提供する。
  論文  参考訳（メタデータ） (2023-03-29T03:10:28Z)
• NLIP: Noise-robust Language-Image Pre-training [95.13287735264937]
  雑音調和と雑音補完という2つの手法を用いて事前学習の安定化を図るため,NLIPの原理的手法を提案する。 我々のNLIPは、画像テキスト事前学習における一般的なノイズ効果をより効率的に軽減することができる。
  論文  参考訳（メタデータ） (2022-12-14T08:19:30Z)
• Learning Task-Oriented Flows to Mutually Guide Feature Alignment in Synthesized and Real Video Denoising [137.5080784570804]
  Video Denoisingは、クリーンなノイズを回復するためにビデオからノイズを取り除くことを目的としている。 既存の研究によっては、近辺のフレームから追加の空間的時間的手がかりを利用することで、光学的流れがノイズ発生の助けとなることが示されている。 本稿では,様々なノイズレベルに対してより堅牢なマルチスケール光フロー誘導型ビデオデノイング法を提案する。
  論文  参考訳（メタデータ） (2022-08-25T00:09:18Z)
• Wavelet Integrated CNNs for Noise-Robust Image Classification [51.18193090255933]
  我々は、離散ウェーブレット変換(DWT)により、最大プール、ストライド畳み込み、平均プールを置き換えることでCNNを強化する。 VGG、ResNets、DenseNetのウェーブレット統合バージョンであるWaveCNetsは、バニラバージョンよりも精度が高く、ノイズ・ロバスト性も向上している。
  論文  参考訳（メタデータ） (2020-05-07T09:10:41Z)
• 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)

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。