論文の概要: Learned Nonlocal Feature Matching and Filtering for RAW Image Denoising

• arxiv url: http://arxiv.org/abs/2604.17453v1
• Date: Sun, 19 Apr 2026 14:11:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.531351
• Title: Learned Nonlocal Feature Matching and Filtering for RAW Image Denoising
• Title（参考訳）: RAW画像復調のための非局所特徴マッチングとフィルタリングの学習
• Authors: Marco Sánchez-Beeckman, Antoni Buades,
• Abstract要約: 本稿では,古典的自己相似型デノイザの解釈可能な構造を,完全に学習可能なニューラルネットワークに組み込んだRAW-to-RAW復調専用アーキテクチャを提案する。 我々の設計は、非局所的なパッチベースの手法による、隣り合うマッチング、協調フィルタリング、集約の確立されたパイプラインと平行する、新しい非局所ブロックに焦点を当てている。 本研究は, 実機RAWデータを用いてネットワークを訓練し, ノイズレベルマップ上に条件付けしながら合成ノイズをモデル化することにより, センサ非依存デノイザを発生させ, 効果的に非可視デバイスに一般化する。
• 参考スコア（独自算出の注目度）: 0.5156484100374058
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Being one of the oldest and most basic problems in image processing, image denoising has seen a resurgence spurred by rapid advances in deep learning. Yet, most modern denoising architectures make limited use of the technical knowledge acquired researching the classical denoisers that came before the mainstream use of neural networks, instead relying on depth and large parameter counts. This poses a challenge not only for understanding the properties of such networks, but also for deploying them on real devices which may present resource constraints and diverse noise profiles. Tackling both issues, we propose an architecture dedicated to RAW-to-RAW denoising that incorporates the interpretable structure of classical self-similarity-based denoisers into a fully learnable neural network. Our design centers on a novel nonlocal block that parallels the established pipeline of neighbor matching, collaborative filtering and aggregation popularized by nonlocal patch-based methods, operating on learned multiscale feature representations. This built-in nonlocality efficiently expands the receptive field, sufficing a single block per scale with a moderate number of neighbors to obtain high-quality results. Training the network on a curated dataset with clean real RAW data and modeled synthetic noise while conditioning it on a noise level map yields a sensor-agnostic denoiser that generalizes effectively to unseen devices. Both quantitative and visual results on benchmarks and in-the-wild photographs position our method as a practical and interpretable solution for real-world RAW denoising, achieving results competitive with state-of-the-art convolutional and transformer-based denoisers while using significantly fewer parameters. The code is available at https://github.com/MIA-UIB/nonlocal-matchfilter .
• Abstract（参考訳）: 画像処理における最も古く最も基本的な問題の1つであり、画像の認知は、ディープラーニングの急速な進歩によって引き起こされた復活を目の当たりにしてきた。 しかし、現代のほとんどのデノイケーションアーキテクチャは、ニューラルネットワークが主流となる以前の古典的デノイザーの研究で得られた技術知識を限定的に利用し、代わりに深さと大きなパラメータ数に依存する。 これは、そのようなネットワークの性質を理解するだけでなく、リソース制約や多様なノイズプロファイルを提示する実際のデバイスにそれらをデプロイする上でも課題となる。 両問題に対処するため,古典的自己相似型デノイザの解釈可能な構造を完全に学習可能なニューラルネットワークに組み込んだRAW-to-RAW復調専用アーキテクチャを提案する。 本設計は,非局所的なパッチベース手法によって一般化された,近隣のマッチング,協調フィルタリング,集約の確立されたパイプラインを並列化し,学習されたマルチスケール特徴表現をベースとした,新しい非局所ブロックに焦点を当てる。 この組込み非局所性は受容場を効率的に拡張し、1スケール当たりの1ブロックを適度な数の隣人に充足し、高品質な結果を得る。 クリーンな実RAWデータと合成ノイズをモデル化し、ノイズレベルマップに条件付けしながら、キュレートされたデータセット上でネットワークをトレーニングすると、センサ非依存のノイズを発生させ、非表示デバイスに効果的に一般化する。 提案手法を実世界のRAW復調のための実用的で解釈可能な解として評価し,現状の畳み込みおよび変圧器を用いた復調器と競合する結果を得た。 コードはhttps://github.com/MIA-UIB/nonlocal-matchfilterで公開されている。

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)
• 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)
• Enhancing convolutional neural network generalizability via low-rank weight approximation [6.763245393373041]
  十分なノイズ処理は、画像処理にとって重要な第一歩であることが多い。 ディープニューラルネットワーク(DNN)は画像のノイズ化に広く利用されている。 本研究では,タッカー低ランクテンソル近似に基づく自己教師付き画像復調フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-26T14:11:05Z)
• Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
  本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。 トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。 AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
  論文  参考訳（メタデータ） (2022-03-24T18:11:31Z)
• 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)
• CycleISP: Real Image Restoration via Improved Data Synthesis [166.17296369600774]
  本稿では,前向きと逆方向のカメラ画像パイプラインをモデル化するフレームワークを提案する。 リアルな合成データに基づいて新しい画像認識ネットワークをトレーニングすることにより、実際のカメラベンチマークデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-03-17T15:20:25Z)
• Spatial-Adaptive Network for Single Image Denoising [14.643663950015334]
  本稿では,効率的な単一画像ブラインドノイズ除去のための空間適応型雑音除去ネットワーク(SADNet)を提案する。 本手法は, 定量的かつ視覚的に, 最先端の復調法を超越することができる。
  論文  参考訳（メタデータ） (2020-01-28T12:24:17Z)

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。