論文の概要: YeTI: You Only Need Two Noisy Images for Real-World sRGB Noise Generation

• arxiv url: http://arxiv.org/abs/2607.09193v1
• Date: Fri, 10 Jul 2026 08:33:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 14:47:12.810571
• Title: YeTI: You Only Need Two Noisy Images for Real-World sRGB Noise Generation
• Title（参考訳）: 現実のSRGBのノイズ発生にはノイズの多い画像が2つ必要
• Abstract要約: 実世界のSRGBノイズ生成フレームワークであるYeTIを提案する。 推論時に単一のノイズ入力を与えられたYeTIは、基礎となるシーンコンテンツを保存しながら、現実的な信号依存ノイズを生成する。
• 参考スコア（独自算出の注目度）: 11.302699058366388
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Real-world sRGB image denoising remains challenging due to the nonlinear characteristics of sensor noise and the difficulty of acquiring aligned clean-noisy image pairs. Supervised denoisers often overfit to limited paired datasets, while self-supervised methods still depend on sufficiently diverse noisy observations. These limitations motivate scalable noise synthesis methods that can model real-world noise without clean ground truth or camera metadata. We propose YeTI, a real-world sRGB noise generation framework that learns from only two noisy observations of the same scene. YeTI uses a Reconstruction Autoencoder to disentangle scene structure and noise characteristics, and models the latent noise distribution with a one-step Conditional Diffusion Transformer trained using consistency objectives. Given a single noisy input at inference time, YeTI generates realistic, signal-dependent noise while preserving the underlying scene content. Extensive experiments demonstrate the effectiveness of YeTI across real-world benchmarks. We evaluate noise generation on SIDD and further assess generalization on SIDD+, MAI2021, and SID, covering smartphone and diverse consumer-camera sensors. Downstream denoising results on DND further show that denoisers trained with YeTI-synthesized images achieve strong real-world performance, highlighting the practical value of clean-image-free and metadata-free noise generation.
• Abstract（参考訳）: センサノイズの非線形特性と整列した清潔な画像対の取得が困難であるため,実世界のsRGB画像復調は依然として困難である。 監督されたデノイザはしばしば、限られたペアのデータセットに過度に適合するが、自己監督的な手法は依然として十分に多様なノイズの観測に依存している。 これらの制限は、クリーングラウンドの真実やカメラのメタデータを使わずに現実世界のノイズをモデル化できるスケーラブルなノイズ合成手法を動機付けている。 実世界のSRGBノイズ生成フレームワークであるYeTIを提案する。 YeTIは、レコンストラクションオートエンコーダを用いてシーン構造とノイズ特性をアンタングルし、一段階の条件拡散変換器で一貫した目標を用いた遅延雑音分布をモデル化する。 推論時に単一のノイズ入力を与えられたYeTIは、基礎となるシーンコンテンツを保存しながら、現実的な信号依存ノイズを生成する。 大規模な実験は、現実世界のベンチマークにおけるYeTIの有効性を実証している。 我々は、SIDDにおけるノイズ発生を評価し、SIDD+、MAI2021、SIDの一般化を更に評価し、スマートフォンおよび多様な消費者カメラセンサーをカバーする。 さらに,YeTI合成画像で訓練したデノイザが実世界の性能を向上し,クリーンイメージフリーおよびメタデータフリーのノイズ生成の実用的価値を強調した。

関連論文リスト

• sRGB Real Noise Modeling via Noise-Aware Sampling with Normalizing Flows [27.338824932164417]
  我々は、カメラ設定に基づいてノイズを分類し、様々なノイズ画像を生成することができる新しいNFフレームワークを提案する。 本モデルでは、異常なノイズ品質を示し、ベンチマークデータセットの性能を劣化させる。
  論文  参考訳（メタデータ） (2026-08-29T04:16:07Z)
• Diffusion-Based sRGB Real Noise Generation via Prompt-Driven Noise Representation Learning [16.09820578603153]
  我々はPNG(Prompt-Driven Noise Generation)と呼ばれる新しいフレームワークを提案する。 このモデルは実世界の入力ノイズの特徴を捉えた高次元のプロンプト特徴を得ることができる。 明示的なカメラメタデータへの依存を排除し,ノイズ合成の一般化性と適用性を大幅に向上させる。
  論文  参考訳（メタデータ） (2026-03-05T06:54:38Z)
• 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)
• Noise2NoiseFlow: Realistic Camera Noise Modeling without Clean Images [35.29066692454865]
  本稿では,ノイズモデルとデノイザを同時にトレーニングするためのフレームワークを提案する。 ノイズ/クリーンなペア画像データではなく、ノイズの多いイメージのペアに依存します。 トレーニングされたデノイザーは、教師付きおよび弱教師付きベースラインデノイジングアプローチの両方において、大幅に改善される。
  論文  参考訳（メタデータ） (2022-06-02T15:31:40Z)
• 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)
• C2N: Practical Generative Noise Modeling for Real-World Denoising [53.96391787869974]
  両例を使わずに複雑な実世界の騒音を模倣するクリーン・ツー・ノイズ画像生成フレームワーク,すなわちC2Nを導入する。 我々は,C2Nの騒音発生器を実世界の騒音特性の成分に応じて構築し,広い範囲の騒音を正確に表現する。
  論文  参考訳（メタデータ） (2022-02-19T05:53:46Z)
• Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
  センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。 それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
  論文  参考訳（メタデータ） (2021-10-10T10:45:24Z)
• 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)
• Adaptive noise imitation for image denoising [58.21456707617451]
  本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。 現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。 ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
  論文  参考訳（メタデータ） (2020-11-30T02:49:36Z)

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。