Fugu-MT 論文翻訳(概要): Learning to Recorrupt: Noise Distribution Agnostic Self-Supervised Image Denoising

論文の概要: Learning to Recorrupt: Noise Distribution Agnostic Self-Supervised Image Denoising

arxiv url: http://arxiv.org/abs/2603.25869v1
Date: Thu, 26 Mar 2026 19:51:16 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-30 21:49:48.25591
Title: Learning to Recorrupt: Noise Distribution Agnostic Self-Supervised Image Denoising
Title（参考訳）: 音分布に依存しない自己監督型画像デノイング
Authors: Brayan Monroy, Jorge Bacca, Julián Tachella,
Abstract要約: 自己監督型画像記述法は伝統的に、アーキテクチャ上の制約や特殊な損失関数に依存してきた。本稿では、雑音分布の知識を不要にするためのノイズ分布に依存しない雑音分解手法であるLearning to Recorruptを提案する。
参考スコア（独自算出の注目度）: 27.048126517014875
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Self-supervised image denoising methods have traditionally relied on either architectural constraints or specialized loss functions that require prior knowledge of the noise distribution to avoid the trivial identity mapping. Among these, approaches such as Noisier2Noise or Recorrupted2Recorrupted, create training pairs by adding synthetic noise to the noisy images. While effective, these recorruption-based approaches require precise knowledge of the noise distribution, which is often not available. We present Learning to Recorrupt (L2R), a noise distribution-agnostic denoising technique that eliminates the need for knowledge of the noise distribution. Our method introduces a learnable monotonic neural network that learns the recorruption process through a min-max saddle-point objective. The proposed method achieves state-of-the-art performance across unconventional and heavy-tailed noise distributions, such as log-gamma, Laplace, and spatially correlated noise, as well as signal-dependent noise models such as Poisson-Gaussian noise.
Abstract（参考訳）: 自己監督型画像復号法は伝統的に、難易度マッピングを避けるために、ノイズ分布の事前知識を必要とするアーキテクチャ上の制約や特殊な損失関数のいずれかに依存してきた。このうち、Noisier2NoiseやRecorrupted2Recorruptedのようなアプローチは、ノイズの多い画像に合成ノイズを加えることによって、トレーニングペアを作成する。効果はあるものの、これらの再破壊に基づくアプローチは、しばしば利用できないノイズ分布の正確な知識を必要とする。本稿では、雑音分布の知識を不要にする雑音分布に依存しない雑音分布復号法であるL2Rについて述べる。本手法では, 学習可能な単調ニューラルネットワークを導入し, min-maxサドルポイント目標を用いて再破壊過程を学習する。提案手法は,対数ガンマ,ラプラス,空間的相関ノイズなどの非従来型および重み付きノイズ分布,およびポアソン・ガウス雑音などの信号依存ノイズモデルにまたがる最先端性能を実現する。

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)
Blind2Sound: Self-Supervised Image Denoising without Residual Noise [5.192255321684027]
Poisson-Gaussianノイズに対する自己監督型視覚障害は依然として困難な課題である。そこで我々はBlind2Soundを提案する。Blind2Soundは難聴画像の残音を克服するシンプルで効果的な手法である。
論文参考訳（メタデータ） (2023-03-09T11:21:59Z)
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)
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)
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)
Noise2Kernel: Adaptive Self-Supervised Blind Denoising using a Dilated Convolutional Kernel Architecture [3.796436257221662]
本研究では,不変性を満たす拡張畳み込みネットワークを提案し,ランダムマスキングを使わずに効率的なカーネルベーストレーニングを実現する。また,ゼロ平均制約を回避し,塩とペッパーまたはハイブリッドノイズの除去に有効である適応型自己超過損失を提案する。
論文参考訳（メタデータ） (2020-12-07T12:13:17Z)
Adaptive noise imitation for image denoising [58.21456707617451]
本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。 ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
論文参考訳（メタデータ） (2020-11-30T02:49:36Z)
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)
Dual Adversarial Network: Toward Real-world Noise Removal and Noise Generation [52.75909685172843]
実世界の画像ノイズ除去は、コンピュータビジョンにおける長年の課題である。本稿では,ノイズ除去およびノイズ発生タスクに対処する新しい統合フレームワークを提案する。本手法はクリーンノイズ画像対の連成分布を学習する。
論文参考訳（メタデータ） (2020-07-12T09:16:06Z)
NoiseBreaker: Gradual Image Denoising Guided by Noise Analysis [5.645552640953684]
本稿では,画像中の支配雑音を反復的に検出し,調整したデノイザを用いて除去する段階的なデノイズ戦略を提案する。本手法は, 遭遇した騒音の性質を把握し, 既存の騒音を新しいノイズ特性で拡張することを可能にする。
論文参考訳（メタデータ） (2020-02-18T11:09:03Z)

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。