論文の概要: TIDY: Thermal Infrared Image Denoising via Wavelet Domain Entropy and Directional Stripe Index
- arxiv url: http://arxiv.org/abs/2606.19813v1
- Date: Thu, 18 Jun 2026 05:42:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-19 18:23:39.665897
- Title: TIDY: Thermal Infrared Image Denoising via Wavelet Domain Entropy and Directional Stripe Index
- Title（参考訳）: TIDY: Wavelet Domain Entropy と Directional Stripe Index による熱赤外画像のデノイング
- Authors: Tai Hyoung Rhee, Dong-Guw Lee, Ayoung Kim,
- Abstract要約: 熱赤外イメージング(TIR)は、低光度視覚劣化下での堅牢な知覚能力のために、フィールドロボティクスにおいて一般的な選択である。
ダウンストリーム推定を破る、厳密で固定されたパターンのノイズに悩まされる。
本稿では、実際の清浄なTIRデータに基づいて訓練された軽量ウェーブレット領域デノイザであるTIDYを提案する。
- 参考スコア（独自算出の注目度）: 7.740295165323681
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Thermal infrared (TIR) imaging has been a popular choice for field robotics due to its robust perception capability under low light visual degradation, but it suffers from severe stochastic and fixed-pattern noise that breaks downstream estimation. This noise is intensified indoors due to low thermal contrast and uniform temperature distributions, contributing to the relative lack of indoor TIR deployments. Existing TIR denoising methods exhibit a poor accuracy-efficiency tradeoff, either too slow for online deployment required in robotics or insufficiently robust to severe degradation, while typically being trained on synthetic noise. Addressing these problems, we propose TIDY, a lightweight wavelet-domain denoiser trained on real clean-noisy TIR data. By reformulating TIR denoising in the wavelet domain, TIDY explicitly disentangles noise from structural content, enabling targeted suppression with reduced spatial complexity, significantly improving inference speed over prior methods (~34Hz). TIDY introduces two new metrics, Wavelet Entropy and Wavelet Directional Stripe Index, as complementary loss terms to explicitly suppress stochastic noise and stripe artifacts. Across severe indoor corruption and zero-shot settings, TIDY improves robustness and yields consistent gains in downstream robotics tasks including thermal inertial odometry and monocular depth estimation. Code and dataset is available at: https://github.com/williamrheeth/TIDY
- Abstract（参考訳）: 熱赤外イメージング(TIR)は、低光度視覚劣化下での強い知覚能力のため、フィールドロボティクスにおいて一般的な選択肢であるが、下流推定を破る激しい確率的および固定パターンノイズに悩まされている。
このノイズは、低い熱コントラストと均一な温度分布のために屋内で強化され、室内TIR配置の相対的欠如に寄与する。
既存のTIRデノナイジング法では、ロボット工学に必要なオンライン展開には遅すぎるか、深刻な劣化に対して十分に頑丈でありながら、通常は合成ノイズで訓練されている。
これらの問題に対処するため、クリーンノイズのTIRデータに基づいてトレーニングされた軽量ウェーブレット領域デノイザであるTIDYを提案する。
TIDYはウェーブレット領域でノイズを除去することで、構造的コンテンツからノイズを明示的に切り離し、空間的複雑さを低減したターゲット抑圧を可能にし、従来の手法よりも推論速度(~34Hz)を大幅に向上させる。
TIDYは2つの新しいメトリクス、Wavelet EntropyとWavelet Directional Stripe Indexを導入している。
TIDYは激しい室内汚職やゼロショット設定の他、ロバスト性を改善し、熱慣性オドメトリーや単眼深度推定などの下流ロボティクスのタスクにおいて一貫した利得を得る。
コードとデータセットは:https://github.com/williamrheeth/TIDY
関連論文リスト
- Learning to Refine: Spectral-Decoupled Iterative Refinement Framework for Precipitation Nowcasting [21.300422393514804]
本稿では,現在放送を進行周波数分離改良として再編成する決定論的枠組みを提案する。
SDIRはまず安定な低周波合成骨格を抽出し、次いで物理的制約下で高周波テクスチャを反復的に洗練する。
3つのベンチマークで実験したところ、SDIRは空間精度でSOTA法を著しく上回っている。
論文 参考訳（メタデータ） (2026-06-01T07:34:30Z) - Towards Frequency-Adaptive Learning for SAR Despeckling [10.764049665817629]
分割・分散アーキテクチャに基づく周波数適応型ヘテロジニアスデスペクリングモデルを提案する。
ノイズ特性の異なるサブネットワークを設計し,周波数成分の異なるサブネットワークを設計する。
エッジやテクスチャに富んだ高周波サブバンドに対して,ノイズ抑制と機能強化のための変形可能な畳み込みを備えた拡張U-Netを導入する。
論文 参考訳（メタデータ） (2025-11-08T07:08:22Z) - TIR-Diffusion: Diffusion-based Thermal Infrared Image Denoising via Latent and Wavelet Domain Optimization [11.970228442183476]
本稿では拡散型TIR画像復調フレームワークを提案する。
提案手法は、遅延空間と離散ウェーブレット変換(DWT)/二重ツリー複合ウェーブレット変換(DTCWT)の損失を組み合わせた新しい損失関数を用いてモデルを微調整する。
ベンチマークデータセットの実験は、最先端のデノナイジング手法と比較して、我々のアプローチの優れた性能を示している。
論文 参考訳（メタデータ） (2025-07-30T06:27:32Z) - DestripeCycleGAN: Stripe Simulation CycleGAN for Unsupervised Infrared
Image Destriping [15.797480466799222]
CycleGANは、教師なし画像復元の先進的なアプローチであることが証明されている。
DestripeCycleGANという単一フレーム赤外線画像デストリップのための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-14T11:22:20Z) - Make Explicit Calibration Implicit: Calibrate Denoiser Instead of the
Noise Model [83.9497193551511]
デジタルゲインやカメラセンサーによらず有効であるLED(Lighting Every Darkness)を導入する。
LEDは明示的なノイズモデルのキャリブレーションの必要性を排除し、高速な展開と最小限のデータを必要とする暗黙の微調整プロセスを活用する。
LEDは、センサー工学の利点を生かしながら、ディープラーニングの進歩にもっと注力することを可能にする。
論文 参考訳（メタデータ） (2023-08-07T10:09:11Z) - Realistic Noise Synthesis with Diffusion Models [44.404059914652194]
ディープラーニングモデルには、大規模な実世界のトレーニングデータが必要です。
本稿では,これらの課題に対処するために拡散モデルを用いた新しい実音合成拡散器(RNSD)法を提案する。
論文 参考訳（メタデータ） (2023-05-23T12:56:01Z) - 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) - Degradation-Noise-Aware Deep Unfolding Transformer for Hyperspectral
Image Denoising [9.119226249676501]
ハイパースペクトル画像(HSI)は、帯域幅が狭いため、ノイズが多いことが多い。
HSIデータキューブのノイズを低減するため、モデル駆動型と学習型の両方の復調アルゴリズムが提案されている。
本稿では,これらの問題に対処するDNA-Net(Degradation-Noise-Aware Unfolding Network)を提案する。
論文 参考訳（メタデータ） (2023-05-06T13:28:20Z) - Seeing Through The Noisy Dark: Toward Real-world Low-Light Image
Enhancement and Denoising [125.56062454927755]
現実の低照度環境は通常、光やハードウェアの限界が不足しているため、視界が低く、騒音が重い。
我々は、RLED-Net(Real-world Low-light Enhancement & Denoising Network)と呼ばれる新しいエンドツーエンド手法を提案する。
論文 参考訳（メタデータ） (2022-10-02T14:57:23Z) - 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)
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。