論文の概要: Pooling-Based Context Modeling for Convolution-Free Deep Image Prior

• arxiv url: http://arxiv.org/abs/2607.02952v1
• Date: Fri, 03 Jul 2026 04:56:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.470013
• Title: Pooling-Based Context Modeling for Convolution-Free Deep Image Prior
• Title（参考訳）: 畳み込みのない深層画像に対するプール型コンテキストモデリング
• Abstract要約: Pool-DIPは、プールベースのコントラストモデリングを取り入れた畳み込みのないアーキテクチャで、空間コンテキストを効率的にキャプチャする。 Pool-DIPは、実世界のベンチマークを含む、複数のデータセット間での競合的なパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 23.847793658583257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional Neural Networks (CNNs) achieve strong denoising performance by exploiting spatial context from neighboring pixels. Deep Image Prior (DIP) leverages this property to restore images from a single noisy input without requiring large datasets. However, the over-parameterized architecture of DIP often leads to noise fitting during optimization. In this paper, we propose Pool-DIP, a convolution-free architecture that incorporates pooling-based contrast modeling to capture spatial context efficiently. Pool-DIP improves denoising performance while significantly reducing the number of parameters and computational complexity compared to convolution-based DIP models. Experimental results show that Pool-DIP achieves competitive performance across multiple datasets, including a real-world benchmark. Spectral analysis further reveals that Pool-DIP stabilizes the evolution of high-frequency components during optimization and suppresses erroneous high-frequency signals. The proposed architecture also generalizes well to other image restoration tasks such as super-resolution and inpainting.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は,近傍の画素から空間的コンテキストを活用することで,強力な雑音発生性能を実現する。 Deep Image Prior(DIP)は、このプロパティを活用して、大きなデータセットを必要とせずに、単一のノイズの多い入力からイメージを復元する。 しかし、DIPの過度パラメータ化アーキテクチャは、最適化時にノイズフィッティングを引き起こすことが多い。 本稿では,プール型コントラストモデリングを取り入れた畳み込みフリーアーキテクチャであるPool-DIPを提案する。 Pool-DIPは、畳み込みベースのDIPモデルと比較して、パラメータの数と計算複雑性を著しく削減しながら、デノナイズ性能を向上する。 実験結果から,Pool-DIPは実世界のベンチマークを含む,複数のデータセット間での競合性能を実現することが示された。 スペクトル分析により、Pool-DIPは最適化中の高周波成分の進化を安定化し、誤った高周波信号を抑制することが明らかとなった。 提案したアーキテクチャは、超解像や塗装などの他の画像復元タスクにも適している。

関連論文リスト

• A Zero-Shot Deep Image Prior Framework for Denoising and Deconvolution in Fluorescence Microscopy [6.129338407421482]
  SDIPは、外部トレーニングデータなしで逐次デノベーションとデコンボリューションを行う、ゼロショットのディープイメージ事前フレームワークである。 複数の細胞構造にわたるBioSRデータセットの実験により、SDIPは信号対雑音比と分解能の両方を改善していることが示された。 提案フレームワークは,他の逆問題に対する物理誘導型DIP手法の設計に有用な知見を提供する。
  論文  参考訳（メタデータ） (2026-06-26T01:52:27Z)
• Unleashing Degradation-Carrying Features in Symmetric U-Net: Simpler and Stronger Baselines for All-in-One Image Restoration [52.82397287366076]
  オールインワン画像復元は、統合された枠組み内で様々な劣化(ノイズ、ぼかし、悪天候など)を扱うことを目的としている。 本研究では, 優れた特徴抽出法により, 劣化伝達情報を本質的にエンコードする, 重要な知見を明らかにする。 我々の対称設計は固有の劣化信号を頑健に保存し、スキップ接続に単純な加法融合を施す。
  論文  参考訳（メタデータ） (2025-12-11T12:20:31Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Underwater Image Enhancement with Physical-based Denoising Diffusion Implicit Models [0.03749861135832072]
  水中視力は自律型水中車両(AUV)にとって不可欠 従来の画像強調技術では、様々な水中条件への適応性が欠如している。 拡散確率モデル(DDPM)は、画像から画像へのタスクにおける最先端のアプローチとして登場した。 本稿では,新しい物理ベースおよび拡散ベースUIEアプローチであるUW-DiffPhysを紹介する。
  論文  参考訳（メタデータ） (2024-09-27T06:33:35Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Effective Invertible Arbitrary Image Rescaling [77.46732646918936]
  Invertible Neural Networks (INN)は、ダウンスケーリングとアップスケーリングのサイクルを共同で最適化することにより、アップスケーリングの精度を大幅に向上させることができる。 本研究の1つのモデルのみをトレーニングすることにより、任意の画像再スケーリングを実現するために、単純で効果的な非可逆的再スケーリングネットワーク(IARN)を提案する。 LR出力の知覚品質を損なうことなく、双方向任意再スケーリングにおいて最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2022-09-26T22:22:30Z)
• Real Image Restoration via Structure-preserving Complementarity Attention [10.200625895876023]
  本稿では,高密度モジュールとスパースモジュールを含む軽量なコンプレメンタリアテンションモジュールを提案する。 そこで,本論文では,勾配に基づく構造保存分岐を構築した。
  論文  参考訳（メタデータ） (2022-07-28T04:24:20Z)
• NeighCNN: A CNN based SAR Speckle Reduction using Feature preserving Loss Function [1.7188280334580193]
  NeighCNNは、乗法ノイズを処理するディープラーニングベースのスペックル削減アルゴリズムである。 様々な合成、および実際のSAR画像は、NeighCNNアーキテクチャのテストに使用される。
  論文  参考訳（メタデータ） (2021-08-26T04:20:07Z)
• Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
  本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。 解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
  論文  参考訳（メタデータ） (2020-10-21T20:04:22Z)

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。