論文の概要: Preventing Overfitting in Deep Image Prior for Hyperspectral Image Denoising

• arxiv url: http://arxiv.org/abs/2604.08272v1
• Date: Thu, 09 Apr 2026 14:02:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.950435
• Title: Preventing Overfitting in Deep Image Prior for Hyperspectral Image Denoising
• Title（参考訳）: ハイパースペクトル画像復調に先立つ深部画像のオーバーフィッティング防止
• Authors: Panagiotis Gkotsis, Athanasios A. Rontogiannis,
• Abstract要約: 本稿では,DIPに基づくハイパースペクトル画像(HSI)において,頑健なデータ忠実度と明示的な感度正則化を併用することにより,過度適合を緩和する手法を提案する。 ガウス,スパース,ノイズによって劣化した実HSIの実験結果から,提案手法が過度な適合を効果的に防止し,優れた騒音性能を実現することを示す。
• 参考スコア（独自算出の注目度）: 0.8450904497835262
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep image prior (DIP) is an unsupervised deep learning framework that has been successfully applied to a variety of inverse imaging problems. However, DIP-based methods are inherently prone to overfitting, which leads to performance degradation and necessitates early stopping. In this paper, we propose a method to mitigate overfitting in DIP-based hyperspectral image (HSI) denoising by jointly combining robust data fidelity and explicit sensitivity regularization. The proposed approach employs a Smooth $\ell_1$ data term together with a divergence-based regularization and input optimization during training. Experimental results on real HSIs corrupted by Gaussian, sparse, and stripe noise demonstrate that the proposed method effectively prevents overfitting and achieves superior denoising performance compared to state-of-the-art DIP-based HSI denoising methods.
• Abstract（参考訳）: Deep Image prior (DIP) は教師なしのディープラーニングフレームワークであり、様々な逆画像問題にうまく適用されている。 しかし、DIPベースの手法は本質的に過度に適合する傾向があるため、性能が低下し、早期に停止する必要が生じる。 本稿では,DIPに基づくハイパースペクトル画像(HSI)において,頑健なデータ忠実度と明示的な感度正規化を併用することにより,過度適応を緩和する手法を提案する。 提案手法では、Smooth $\ell_1$のデータ項と、分散ベースの正規化とトレーニング中の入力最適化を併用する。 ガウス,スパース,ストライプノイズによる実HSIの劣化実験の結果,提案手法は,最先端のDIPベースのHSI復調法と比較して,効率よく過適合を防止し,優れた復調性能が得られることを示した。

関連論文リスト

• Score Priors Guided Deep Variational Inference for Unsupervised Real-World Single Image Denoising [14.486289176696438]
  本稿では,実世界の実演のためのスコア先行誘導深部変分推論,すなわちScoreDVIを提案する。 我々は、実世界の雑音をモデル化するために、非i.i.d$ガウス混合モデルと変分ノイズ後部モデルを利用する。 提案手法は,他の単一画像ベースの実世界のデノベーション手法よりも優れ,データセットベースの教師なし手法に匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2023-08-09T03:26:58Z)
• Stimulating Diffusion Model for Image Denoising via Adaptive Embedding and Ensembling [56.506240377714754]
  DMID(Diffusion Model for Image Denoising)と呼ばれる新しい手法を提案する。 我々の戦略は、雑音のある画像を事前訓練された非条件拡散モデルに埋め込む適応的な埋め込み法を含む。 我々のDMID戦略は、歪みベースと知覚ベースの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-07-08T14:59:41Z)
• 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)
• I2V: Towards Texture-Aware Self-Supervised Blind Denoising using Self-Residual Learning for Real-World Images [8.763680382529412]
  pixel-shuffle downsampling (PD) はノイズの空間的相関を排除するために提案されている。 テクスチャ情報を維持するために,PD処理を使わずに自己学習を提案する。 広汎な実験の結果,提案手法は最先端の自己監督型ブラインド・デノイング・アプローチよりも優れていた。
  論文  参考訳（メタデータ） (2023-02-21T08:51:17Z)
• Rethinking Deep Image Prior for Denoising [23.140599133203292]
  我々は、最適化の進捗を監視するために、実効性自由度(DF)の概念を用いてDIPを分析した。 本稿では,ガウス雑音に対する2対の真実像をアクセスすることなく,雑音に適応する前に停止基準を提案する。 提案手法は,7つのデータセットにおいて,PSNRとSSIMに匹敵する大差でLPIPSの先行技術より優れていた。
  論文  参考訳（メタデータ） (2021-08-29T13:34:31Z)
• Unsupervised Hyperspectral Mixed Noise Removal Via Spatial-Spectral Constrained Deep Image Prior [20.800924148446978]
  HSI混合雑音除去のための空間スペクトル制約深部画像(S2DIP)を提案する。 提案したS2DIPは、訓練データなしで深部CNNから得られる表現力を利用する。 提案手法は, DIPのHSI復調能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-08-22T04:25:08Z)
• The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
  本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。 次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。 そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-16T08:17:44Z)
• When deep denoising meets iterative phase retrieval [5.639904484784126]
  従来の位相の検索アルゴリズムはノイズが存在する場合に苦しむが、クリーンなデータを与えると世界収束を示す。 ここでは,位相探索からの反復的手法とディープデノイザからの画像統計とを,正規化によるデノジングにより組み合わせる。 得られた手法は各手法の利点を継承し、他のノイズロス位相探索アルゴリズムより優れている。
  論文  参考訳（メタデータ） (2020-03-03T21:00:45Z)
• 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。