論文の概要: A Robust Low-Rank Prior Model for Structured Cartoon-Texture Image Decomposition with Heavy-Tailed Noise

• arxiv url: http://arxiv.org/abs/2603.27579v1
• Date: Sun, 29 Mar 2026 08:36:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.032333
• Title: A Robust Low-Rank Prior Model for Structured Cartoon-Texture Image Decomposition with Heavy-Tailed Noise
• Title（参考訳）: 重畳音を伴う構造的カルトーンテクスチュア画像分解のためのロバスト低ランク先行モデル
• Authors: Weihao Tang, Hongjin He,
• Abstract要約: 本稿では,重み付き雑音の存在下での漫画・テクスチャ分解の問題に対処する,頑健な低ランク先行モデルを提案する。 我々のアプローチは、従来の$ell$-normではなく、データ忠実度という用語を採用することで従来のモデルから離れています。 我々は、異なる分解演算子に適した2つの実装可能な演算子分割アルゴリズムを用いる。
• 参考スコア（独自算出の注目度）: 1.0312968200748116
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Cartoon-texture image decomposition is a fundamental yet challenging problem in image processing. A significant hurdle in achieving accurate decomposition is the pervasive presence of noise in the observed images, which severely impedes robust results. To address the challenging problem of cartoon-texture decomposition in the presence of heavy-tailed noise, we in this paper propose a robust low-rank prior model. Our approach departs from conventional models by adopting the Huber loss function as the data-fidelity term, rather than the traditional $\ell_2$-norm, while retaining the total variation norm and nuclear norm to characterize the cartoon and texture components, respectively. Given the inherent structure, we employ two implementable operator splitting algorithms, tailored to different degradation operators. Extensive numerical experiments, particularly on image restoration tasks under high-intensity heavy-tailed noise, efficiently demonstrate the superior performance of our model.
• Abstract（参考訳）: カートゥーン・テクスチュア画像分解は、画像処理において基本的な問題であるが難しい問題である。 正確な分解を達成する上で重要なハードルは、観測された画像にノイズが広範に存在することであり、ロバストな結果を著しく妨げている。 本稿では,重み付き雑音の存在下での漫画・テクスチャ分解の課題に対処するため,頑健な低ランク先行モデルを提案する。 提案手法は,従来の$\ell_2$-normではなく,ハマー損失関数をデータフィデリティ項として採用することで従来のモデルから切り離し,漫画とテクスチャをそれぞれ特徴付けるために,総変分ノルムと核ノルムを維持した。 固有構造を考えると、異なる分解演算子に適した2つの実装可能な演算子分割アルゴリズムを用いる。 大規模な数値実験,特に高強度重み付き雑音下での画像復元作業において,本モデルの優れた性能を効果的に示す。

関連論文リスト

• Anomaly Detection by Effectively Leveraging Synthetic Images [3.9887243611436873]
  異常検出は工業生産において重要な役割を担っている。 実際の欠陥画像が不足しているため、通常の画像のみに依存する教師なしのアプローチが広く研究されている。 本研究では,合成画像を効果的に活用し,異常検出性能を最大化するための戦略に焦点を当てる。
  論文  参考訳（メタデータ） (2025-12-29T06:06:30Z)
• Iteratively Refined Image Reconstruction with Learned Attentive Regularizers [14.93489065234423]
  本稿では,ディープラーニングの力を活用した画像再構成のための正規化手法を提案する。 これは一連の凸問題の最小化に対応するためである。 解釈可能性、理論的保証、信頼性、パフォーマンスの両立を約束するバランスを提供します。
  論文  参考訳（メタデータ） (2024-07-09T07:22:48Z)
• Intrinsic Image Decomposition via Ordinal Shading [0.0]
  内在的分解は、逆レンダリングや計算写真パイプラインにおいて重要な役割を果たす基本的な中間レベルの視覚問題である。 シフト・スケール不変の損失を用いた高密度オーディナルシェーディング定式化を行い、オーディナルシェーディングキューを推定する。 次に、第2のネットワークを用いた低分解能および高分解能の順序推定を組み合わせ、大域的コヒーレンシーと局所的詳細の両方でシェーディング推定を生成する。
  論文  参考訳（メタデータ） (2023-11-21T18:58:01Z)
• Reconstruct-and-Generate Diffusion Model for Detail-Preserving Image Denoising [16.43285056788183]
  再構成・生成拡散モデル(Reconstruct-and-Generate Diffusion Model, RnG)と呼ばれる新しい手法を提案する。 提案手法は, 再構成型復調ネットワークを利用して, 基礎となるクリーン信号の大半を復元する。 拡散アルゴリズムを用いて残留する高周波の詳細を生成し、視覚的品質を向上させる。
  論文  参考訳（メタデータ） (2023-09-19T16:01:20Z)
• DR2: Diffusion-based Robust Degradation Remover for Blind Face Restoration [66.01846902242355]
  ブラインド顔復元は通常、トレーニングのための事前定義された劣化モデルで劣化した低品質データを合成する。 トレーニングデータに現実のケースをカバーするために、あらゆる種類の劣化を含めることは、高価で実現不可能である。 本稿では、まず、劣化した画像を粗いが劣化不変な予測に変換し、次に、粗い予測を高品質な画像に復元するために拡張モジュールを使用するロバスト劣化再帰法(DR2)を提案する。
  論文  参考訳（メタデータ） (2023-03-13T06:05:18Z)
• Improving robustness against common corruptions with frequency biased models [112.65717928060195]
  目に見えない画像の腐敗は 驚くほど大きなパフォーマンス低下を引き起こします 画像の破損タイプは周波数スペクトルで異なる特性を持ち、ターゲットタイプのデータ拡張の恩恵を受けます。 畳み込み特徴マップの総変動(TV)を最小限に抑え、高周波堅牢性を高める新しい正規化方式を提案する。
  論文  参考訳（メタデータ） (2021-03-30T10:44:50Z)
• Attention Based Real Image Restoration [48.933507352496726]
  深層畳み込みニューラルネットワークは、合成劣化を含む画像に対してより良い性能を発揮する。 本稿では,新しい1段ブラインド実画像復元ネットワーク(R$2$Net)を提案する。
  論文  参考訳（メタデータ） (2020-04-26T04:21:49Z)
• Reconstructing the Noise Manifold for Image Denoising [56.562855317536396]
  本稿では,画像ノイズ空間の構造を明示的に活用するcGANを提案する。 画像ノイズの低次元多様体を直接学習することにより、この多様体にまたがる情報のみをノイズ画像から除去する。 我々の実験に基づいて、我々のモデルは既存の最先端アーキテクチャを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-02-11T00:31:31Z)

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。