論文の概要: Physen-Noise2Noise: Physics-Guided Self-Supervised Defocus Deblurring with Bias Correction under Low-Light Conditions

• arxiv url: http://arxiv.org/abs/2605.24590v1
• Date: Sat, 23 May 2026 14:03:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.262361
• Title: Physen-Noise2Noise: Physics-Guided Self-Supervised Defocus Deblurring with Bias Correction under Low-Light Conditions
• Title（参考訳）: Physen-Noise2:物理誘導型自己監督型デフォーカスの低光環境下でのバイアス補正
• Authors: Ziyan Huang, Lang Wu, Hongji Wang, Yifei Liu, Dongliang Tang, Hongqiao Wang,
• Abstract要約: 低照度で長時間露光の遅れは、激しいぼやけと複雑なバイアスのあるノイズが同時に存在するため、依然として困難な問題である。 既存の手法は通常、単純化されたノイズ仮定に依存しており、現実的な撮像条件下での有効性を制限している。 本稿では,デフォーカス画像の物理的モデルによって導かれる自己教師型デブロアリングフレームワークであるPhysen-Noise2Noiseを提案する。
• 参考スコア（独自算出の注目度）: 11.6067553207333
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-light, long-exposure defocus deblurring remains a challenging problem due to the simultaneous presence of severe blur and complex biased noise. Existing methods typically rely on simplified noise assumptions, which limits their effectiveness under realistic imaging conditions. In this work, we propose Physen-Noise2Noise, a self-supervised deblurring framework guided by the physical model of defocus imaging, which leverages noisy multi-frame observations without requiring clean reference images. Unlike conventional Noise2Noise-based approaches that assume zero-mean noise, we derive a frequency-domain constraint inherent to the defocus imaging process and incorporate it into the learning framework via a learnable noise bias parameter. In addition, a multi-frame noisy initialization strategy is introduced to suppress complex biased noise prior to deblurring, providing a more stable starting point for reconstruction. This formulation explicitly models biased noise and enables joint bias correction and high-frequency detail recovery during training. Furthermore, we develop a pretrain-finetune variant to enhance robustness and generalization under challenging noise conditions. Extensive experiments on both simulation and real-world datasets demonstrate that the proposed method consistently outperforms state-of-the-art self-supervised approaches for defocus deblurring in the presence of complex biased noise.
• Abstract（参考訳）: 低照度長露光デフォーカスの脱臭は、激しいぼやけと複雑なバイアスのあるノイズが同時に存在するため、依然として困難な問題である。 既存の手法は通常、単純化されたノイズ仮定に依存しており、現実的な撮像条件下での有効性を制限している。 本研究では,デフォーカス画像の物理的モデルによって導かれる自己教師型デブロアリングフレームワークであるPhysen-Noise2Noiseを提案する。 ゼロ平均雑音を仮定する従来のノイズ2ノイズベースアプローチとは異なり、デフォーカス撮像プロセスに固有の周波数領域制約を導出し、学習可能な雑音バイアスパラメータを介して学習フレームワークに組み込む。 さらに、劣化前の複雑なバイアスノイズを抑制するために、多フレームノイズ初期化戦略を導入し、再構成のより安定した出発点を提供する。 この定式化は、バイアスノイズを明示的にモデル化し、トレーニング中に関節バイアス補正と高周波詳細回復を可能にする。 さらに, 難聴条件下での強靭性と一般化性を高めるために, プレトレイン・ファインチューン変異体を開発した。 シミュレーションと実世界の両方のデータセットに対する大規模な実験により、提案手法は複雑なバイアスノイズの存在下でのデフォーカス劣化に対する最先端の自己監督アプローチを一貫して上回ることを示した。

関連論文リスト

• Spatial-Spectral Adaptive Fidelity and Noise Prior Reduction Guided Hyperspectral Image Denoising [11.513560890234864]
  本稿では,雑音事前低減と空間-スペクトル適応忠実度項を統合する枠組みを提案する。 本枠組みでは,高速かつ堅牢な画素ワイドモデルと,代表係数の総変分正規化器を併用したモデルを構築した。 シミュレーションおよび実世界のデータセットの実験は、提案モデルが優れた騒音性能を達成することを示す。
  論文  参考訳（メタデータ） (2026-04-14T11:27:23Z)
• Mitigating the Noise Shift for Denoising Generative Models via Noise Awareness Guidance [54.88271057438763]
  ノイズアウェアネスガイダンス (NAG) は、事前に定義された騒音スケジュールと整合性を保つために、サンプリング軌道を明示的に制御する補正手法である。 NAGは一貫してノイズシフトを緩和し、主流拡散モデルの生成品質を大幅に改善する。
  論文  参考訳（メタデータ） (2025-10-14T13:31:34Z)
• Diffusion-Based Limited-Angle CT Reconstruction under Noisy Conditions [10.287171164361608]
  角投影の欠如は、再構成された画像の不完全なシノグラムやアーティファクトに繋がる。 本稿では, 平均回帰微分方程式(MR-SDE)を用いて, 角ビューの欠落を解消する拡散型フレームワークを提案する。 現実的な雑音下でのロバスト性を改善するために,推論時間不確実性を明示的にモデル化する新しいノイズ認識機構を提案する。
  論文  参考訳（メタデータ） (2025-07-08T03:58:52Z)
• Dark Noise Diffusion: Noise Synthesis for Low-Light Image Denoising [22.897202020483576]
  低照度写真は、限られた光子による信号対雑音比の低い画像を生成する。 ディープラーニングの手法はうまく機能するが、取得には実用的でないペア画像の大規模なデータセットが必要である。 本稿では,低照度雑音の複雑な分布を捉える拡散モデルについて検討する。
  論文  参考訳（メタデータ） (2025-03-14T10:16:54Z)
• NoiseDiffusion: Correcting Noise for Image Interpolation with Diffusion Models beyond Spherical Linear Interpolation [86.7260950382448]
  画像の妥当性を補正する新しい手法としてノイズ拡散法を提案する。 NoiseDiffusionはノイズの多い画像空間内で動作し、これらのノイズの多い画像に生画像を注入することで、情報損失の課題に対処する。
  論文  参考訳（メタデータ） (2024-03-13T12:32:25Z)
• Back to Basics: Fast Denoising Iterative Algorithm [0.0]
  ノイズ低減のための高速反復アルゴリズムであるBack to Basics (BTB)を紹介する。 光コヒーレンス・トモグラフィー(OCT)における白色ガウス雑音の存在下での自然像,ポアソン分布画像デノイング,スペックル抑制の3症例について検討した。 実験結果から,提案手法は画像品質を効果的に向上しうることを示す。
  論文  参考訳（メタデータ） (2023-11-11T18:32:06Z)
• Representing Noisy Image Without Denoising [91.73819173191076]
  ラドン空間におけるフラクショナルオーダーモーメント(FMR)は、ノイズの多い画像から直接ロバストな表現を引き出すように設計されている。 従来の整数順序法とは異なり、我々の研究は特別な場合のような古典的手法を取り入れたより汎用的な設計である。
  論文  参考訳（メタデータ） (2023-01-18T10:13:29Z)
• Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
  CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。 実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。 我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
  論文  参考訳（メタデータ） (2021-08-04T16:36:29Z)
• 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。