論文の概要: GALOSH: Blind, Training-Free Denoising of Raw Bayer and sRGB Images by Parallel-Friendly Local Shrinkage

• arxiv url: http://arxiv.org/abs/2607.03768v1
• Date: Sat, 04 Jul 2026 08:38:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.711827
• Title: GALOSH: Blind, Training-Free Denoising of Raw Bayer and sRGB Images by Parallel-Friendly Local Shrinkage
• Title（参考訳）: GALOSH:Parallel-Friendly Local Shrinkage によるRAW Bayer と sRGB 画像のブラインドフリーデノナイジング
• Abstract要約: GALOSHは、検索を完全に削除するトレーニング不要のデノベーションを再設計したものだ。 マルチドメインのカバレッジ、スピード、品質を同時に実現することを目指している。 完全なベンチマークサイズで同じGPU上のDLベースラインよりも7x-650倍高速です。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Classical training-free denoisers such as BM3D and non-local means owe much of their strength to search: content-dependent block matching whose memory traffic and data-dependent control flow parallelize poorly and preclude fixed-latency implementations. Learned denoisers reach the highest quality, but they need training data, degrade outside their training domain (which we also observe), and carry per-pixel compute budgets that effectively require a GPU. We present GALOSH (Generalized Anscombe LOcal SHrinkage), a redesign of training-free denoising that removes the search entirely and aims at multi-domain coverage, speed, and quality at once: a blind per-image Poisson-Gaussian noise fit, a generalized Anscombe transform, a two-pass local Walsh-Hadamard shrinkage of luminance, and a luminance-guided local regression of chrominance -- two deliberately different operators for the two perceptually different noise components, each with its own strength control. Every stage is local, data-independent, and regular -- the same computation graph for every pixel of every image. One core serves two domains: raw Bayer mosaics and sRGB/YUV images. On four real-noise benchmarks (SIDD Medium and RawNIND, raw and sRGB) GALOSH is consistently the strongest among the tested blind, training-free methods -- surpassing BM3D- and NLM-family baselines even when those are given an oracle noise level -- and approaches trained networks on raw data while remaining below in-domain trained networks at high ISO in sRGB. Being search-free makes it fast: 7x-650x faster than the DL baselines on the same GPU at full benchmark size, and the only strong method in the comparison that also runs practically on plain CPUs. The fixed, data-independent structure is designed to map naturally onto fixed-point and streaming hardware, supported by an operation-count analysis and a working INT16 fixed-point realization.
• Abstract（参考訳）: BM3Dや非ローカルといった古典的なトレーニング不要のデノイザは、メモリトラフィックとデータ依存制御フローが並列化しにくく、固定レイテンシの実装を妨げているコンテンツ依存ブロックマッチングという、検索に多くの長所を負っている。 学習されたデノイザは最高品質に達するが、トレーニングデータ、トレーニングドメインの外でのデグレード(私たちが観察する)、GPUを効果的に必要とするピクセル単位の計算予算を実行する必要がある。 GALOSH(Generalized Anscombe LOcal SHrinkage, GALOSH, GALOSH:Generalized Anscombe LOcal SHrinkage, GALOSH)は、検索を完全に削除し、複数領域のカバレッジ、速度、品質を一度に目的とし、視覚ごとのノイズフィッティング、一般化されたAnscombe変換、発光の2パスローカルWalsh-Hadamard縮小、および輝度誘導のクロミナンスの局所回帰 - 2つの異なるノイズ成分に対する意図的に異なる2つの演算子、それぞれ独自の強度制御を行う。 各ステージはローカル、データ非依存、レギュラーであり、すべての画像のピクセルごとに同じ計算グラフである。 1つのコアは、生のBaierモザイクとsRGB/YUVイメージの2つのドメインを提供する。 4つの実雑音ベンチマーク(SIDD MediumとRawNIND、生およびsRGB)において、GALOSHは、テスト対象のブラインドでトレーニングなしの手法の中で、一貫して最強のものである。 完全なベンチマークサイズで同じGPU上のDLベースラインよりも7x-650倍高速で、比較において唯一、普通のCPUでも実際に動作する強力な方法である。 固定されたデータに依存しない構造は、自然に固定点とストリーミングハードウェアにマッピングされ、演算数解析とワーキングINT16の固定点実現によってサポートされる。

関連論文リスト

• Learned Nonlocal Feature Matching and Filtering for RAW Image Denoising [0.5156484100374058]
  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。
  論文  参考訳（メタデータ） (2026-04-19T14:11:37Z)
• TM-BSN: Triangular-Masked Blind-Spot Network for Real-World Self-Supervised Image Denoising [22.77487319845247]
  ブラインドスポットネットワーク(BSN)は、ターゲット画素へのアクセスを防止し、自己監督された画像のデノナイズを可能にする。 本稿では,実sRGB雑音の空間的相関を正確にモデル化する新しい盲点アーキテクチャであるTriangular-Masked Blind-Spot Network (TM-BSN)を提案する。 提案手法は最先端の性能を達成し,既存の自己管理手法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-04-06T07:20:19Z)
• Distributed Deep Learning for Medical Image Denoising with Data Obfuscation [1.4681656119120585]
  本研究では,NIH Chest X-ray14データセットから胸部X線像を抽出するための分散ディープラーニングについて検討した。 U-Net++は、競合するPak Signal to Noise Ratio(PSNR)とStructured similarity Index Method(SSIM)のスコアを達成し、優れたノイズ処理性能を提供する。
  論文  参考訳（メタデータ） (2025-11-08T13:27:12Z)
• 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)
• Learning to See Low-Light Images via Feature Domain Adaptation [17.033219611079165]
  そこで我々は,特徴領域適応(FDA)によって強化された単一段階ネットワークを提案し,生のLLIEにおけるデノイングとカラーマッピングのタスクを分離する。 FDAは、ラインバッファを減らすことで、グローバルとローカルの相関関係を探索することができる。 本手法は,計算コストを削減して最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-11T03:38:26Z)
• Self-Supervised Image Denoising for Real-World Images with Context-aware Transformer [3.767629593484917]
  実世界の画像デノイングのための新しいデノワーズ変換器を提案する。 主に、CADT(Context-aware Denoise Transformer)ユニットとSNE(セカンダリノイズエクストラクタ)ブロックで構築されている。 実世界のSIDDベンチマークの実験はPSNR/SSIMの50.62/0.990を達成している。
  論文  参考訳（メタデータ） (2023-04-04T08:30:50Z)
• Spatially Adaptive Self-Supervised Learning for Real-World Image Denoising [73.71324390085714]
  本稿では,現実の sRGB 画像復号化の問題を解決するために,新しい視点を提案する。 ノイズの多い画像における平坦領域とテクスチャ領域のそれぞれの特徴を考慮し、それらを個別に管理する。 LAN自体がBNNの出力で管理されているのに対して,我々はその要件を満たすためのローカル・アウェア・ネットワーク(LAN)を提案する。
  論文  参考訳（メタデータ） (2023-03-27T06:18:20Z)
• N2V2 -- Fixing Noise2Void Checkerboard Artifacts with Modified Sampling Strategies and a Tweaked Network Architecture [66.03918859810022]
  我々は,バニラN2V装置に2つの改良を加えて,不要なアーティファクトを大幅に削減する。 我々は、顕微鏡および自然画像データに基づいて、その修正を検証した。
  論文  参考訳（メタデータ） (2022-11-15T21:12:09Z)
• Noise Self-Regression: A New Learning Paradigm to Enhance Low-Light Images Without Task-Related Data [86.68013790656762]
  タスク関連のデータにアクセスせずにノイズ自己回帰(NoiSER)を提案する。 NoiSERは品質向上に非常に競争力があるが、モデルのサイズははるかに小さく、トレーニングや推論のコストもはるかに低い。
  論文  参考訳（メタデータ） (2022-11-09T06:18:18Z)
• Robust Deep Ensemble Method for Real-world Image Denoising [62.099271330458066]
  そこで本研究では,実世界の画像認識のための単純なベイズディープアンサンブル(BDE)手法を提案する。 我々のBDEは、最先端の復調法よりも+0.28dBPSNRのゲインを達成している。 我々のBDEは他の画像復元タスクにも拡張でき、ベンチマークデータセット上で+0.30dB、+0.18dB、+0.12dB PSNRゲインを達成することができる。
  論文  参考訳（メタデータ） (2022-06-08T06:19:30Z)
• 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)

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。