論文の概要: Denoising ICF Images with Multiplicative Uniform Noise: A Self-Supervised Study Based on the Log-Domain Noisier2Inverse Framework

• arxiv url: http://arxiv.org/abs/2606.27635v1
• Date: Fri, 26 Jun 2026 01:16:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.348993
• Title: Denoising ICF Images with Multiplicative Uniform Noise: A Self-Supervised Study Based on the Log-Domain Noisier2Inverse Framework
• Title（参考訳）: 乗法的一様雑音によるICF画像のノイズ化:ログドメインノイズ量2逆フレームワークに基づく自己教師付き研究
• Abstract要約: 本稿では, 慣性閉じ込め融合(ICF)画像に対する自己教師型デノナイジングフレームワークの実装と評価について述べる。 ログドメインの自己教師付き損失を最小限に抑えることは、変換されたドメインにおける教師付き学習と等価であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper documents the implementation and evaluation of a self-supervised denoising framework on Inertial Confinement Fusion (ICF) images corrupted by Multiplicative Uniform noise: the \emph{Log-Domain Noisier2Inverse} framework. This framework is developed and analysed in this work; the key theoretical result -- that minimising the log-domain self-supervised loss is equivalent to supervised learning in the transformed domain -- is presented with full proof. We document significant implementation challenges arising from the unique characteristics of ICF imagery, describe the fixes applied at each stage, and report final quantitative results. The log-domain approach with per-image JSON Uniform noise loading (Variant~B) achieves the best result: a mean PSNR of $21.41\db$ and SSIM of $0.8358$, a $+19.46\db$ improvement over the noisy input baseline of $1.95\db$, substantially outperforming BM3D log-domain ($4.47\db$, SSIM $0.5181$) and Noise2Self ($4.75\db$, SSIM $0.0177$). Variant~A, using fixed Gaussian noise loading, achieves $21.39\db$ PSNR and SSIM $0.8436$. Of the three evaluated methods, Log-Domain Noisier2Inverse and Noise2Self are entirely self-supervised during training, requiring no clean ground truth data; BM3D is a classical filter-based method requiring no training at all. The clean reference images are used solely for quantitative evaluation of all three methods.
• Abstract（参考訳）: Inertial Confinement Fusion (ICF) 画像に対する自己教師型デノナイジングフレームワークの実装と評価について述べる: \emph{Log-Domain Noisier2Inverse} フレームワーク。 このフレームワークは、この研究で開発され分析され、ログドメインの自己管理的損失を最小限に抑える重要な理論的結果は、変換されたドメインにおける教師あり学習と等価である。 本稿では,ICF画像の特徴から生じる重要な実装課題について述べるとともに,各段階で適用された修正について述べるとともに,最終的な定量的結果について報告する。 平均PSNRが$21.41\db$、SSIMが$0.8358$、$+19.46\db$が$1.95\db$、BM3Dログドメインが$4.47\db$、SSIMが$0.5181$)、Noss2Selfが$4.75\db$、SSIMが$0.0177$である。 Variant~Aは、固定ガウスノイズローディングを使用して、PSNRとSSIM$0.8436$を21.39\dbで達成する。 評価された3つの方法のうち、Log-Domain Noisier2InverseとNoss2Selfは、トレーニング中に完全に自己管理され、クリーンな地上真実データを必要としない。 クリーンな参照画像は3つの手法の定量的評価にのみ使用される。

関連論文リスト

• TTSnap: Test-Time Scaling of Diffusion Models via Noise-Aware Pruning [53.52543819839442]
  テキスト・画像拡散モデルのテスト時間スケーリングに対する顕著なアプローチは、複数のノイズシードの探索として問題を定式化する。 ノイズ対応プルーニング(TTSnap)を用いたテスト時間スケーリングを提案する。
  論文  参考訳（メタデータ） (2025-11-27T09:14:26Z)
• Median2Median: Zero-shot Suppression of Structured Noise in Images [6.396911723204044]
  実世界の画像は、強い異方性相関を持つ構造化ノイズによって劣化することが多い。 本稿では,構造化雑音に対するゼロショットデノーミングフレームワークMedian2Median (M2M)を提案する。 M2Mは1つのノイズ入力から擬似非依存のサブイメージペアを生成する。
  論文  参考訳（メタデータ） (2025-10-02T04:47:00Z)
• Representation Entanglement for Generation: Training Diffusion Transformers Is Much Easier Than You Think [63.25744258438214]
  REPAとその変種は、事前訓練されたモデルから外部の視覚表現を取り入れることで、拡散モデルのトレーニング課題を効果的に軽減する。 偏見推論過程全体において欠落している外部アライメントは、識別的表現の可能性を完全に活用するに足らないと我々は主張する。 本稿では,事前学習した基礎モデルから,低レベル画像ラテントを1つの高レベルクラストークンで絡み合わせるRepresentation Entanglement for Generation (REG)を提案する。
  論文  参考訳（メタデータ） (2025-07-02T08:29:18Z)
• Random Sub-Samples Generation for Self-Supervised Real Image Denoising [9.459398471988724]
  我々は,Smpling Different As Perturbation (SDAP) という,自己監督型実画像記述フレームワークを提案する。 トレーニング画像に適切な摂動を加えることで,BSNの性能を効果的に向上できることがわかった。 その結果、実世界のデータセット上で、最先端の自己教師型デノベーション手法を著しく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-07-31T16:39:35Z)
• Learning to Generate Realistic Noisy Images via Pixel-level Noise-aware Adversarial Training [50.018580462619425]
  我々は,PNGAN(Pixel-level Noise-aware Generative Adrial Network)という新しいフレームワークを提案する。 PNGANは、トレーニング済みのリアルデノイザーを使用して、フェイク画像とリアルノイズ画像をほぼノイズのないソリューション空間にマッピングする。 より優れたノイズフィッティングを実現するため,ジェネレータとしてSimple Multi-versa-scale Network (SMNet) を提案する。
  論文  参考訳（メタデータ） (2022-04-06T14:09:02Z)
• IDR: Self-Supervised Image Denoising via Iterative Data Refinement [66.5510583957863]
  本稿では,最先端のデノナイジング性能を実現するために,教師なしの実用的なデノナイジング手法を提案する。 本手法では, 1つのノイズ画像と1つのノイズモデルしか必要とせず, 実際の生画像に容易にアクセス可能である。 実世界のアプリケーションにおける生画像復調性能を評価するため,500シーンのシーンを含む高品質な生画像データセットSenseNoise-500を構築した。
  論文  参考訳（メタデータ） (2021-11-29T07:22:53Z)
• Noise2Score: Tweedie's Approach to Self-Supervised Image Denoising without Clean Images [35.41467558264341]
  異なるアプローチを統合するために,ノイズ2スコアと呼ばれる新しい手法を提案する。 具体的には,後部分布のモードを見つけることで,クリーンな画像のない画像認識問題に対処できることを示す。 そこで本手法では,残差復調オートエンコーダを用いて雑音画像からスコア関数を安定に推定する手法を提案する。
  論文  参考訳（メタデータ） (2021-06-13T14:41:09Z)
• 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)
• Unpaired Learning of Deep Image Denoising [80.34135728841382]
  本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。 自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。 実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
  論文  参考訳（メタデータ） (2020-08-31T16:22:40Z)

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。