論文の概要: Filtering-out poor-quality images for data preparation

• arxiv url: http://arxiv.org/abs/2607.12352v1
• Date: Tue, 14 Jul 2026 05:03:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.039115
• Title: Filtering-out poor-quality images for data preparation
• Title（参考訳）: データ作成のためのフィルタアウト画質の悪い画像
• Abstract要約: 畳み込みニューラルネットワーク(CNN)は画像のノイズ化で人気を博している。 CNNは適応可能で、様々な画像デノーミングタスクに有効なツールである。 本稿では, 環境・カメラの様々な影響に対して, 画質の悪い画像をフィルタリングする手法を提案する。
• 参考スコア（独自算出の注目度）: 1.301249961234225
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Filtering noise is a fundamental part of data preparation that enhances image quality for applications such as object segmentation, detection, and recognition. Various noise reduction techniques are proposed in the literature, including the use of median, Gaussian, and bilateral filters. Convolutional neural networks (CNNs) have gained popularity in image denoising owing to their ability to extract complex patterns and features from data. CNNs are highly adaptable, making them effective tools for various image-denoising tasks. One drawback of CNN-based techniques is that they require an appropriate training dataset and all images to be resized. Another notable drawback of all these filtering techniques is that they work for certain types of environmental and camera noises. To bridge this research gap, in this paper, for the first time, instead of denoising, we propose an approach that filters out poor-quality images for various environmental and camera impacts. In our approach, quality is assessed using an image quality assessment metric and an optimum threshold is used to filter out poor-quality images. We also ensure that a sufficient number of images remain to develop the deep learning (DL) model. The results produced using real and simulated traffic and object recognition data demonstrate the performance supremacy of the proposed approach compared with the state-of-the-art approaches. The average recognition accuracy for our proposed approach is 93.8% for the traffic sign recognition dataset and 84.9% for the object recognition dataset. This indicates our model's potential for real-life applications such as autonomous vehicles.
• Abstract（参考訳）: フィルタリングノイズは、オブジェクトのセグメンテーション、検出、認識といったアプリケーションの画質を向上させるデータ準備の基本的な部分である。 中央フィルタ,ガウスフィルタ,両側フィルタなど,様々なノイズ低減手法が文献で提案されている。 畳み込みニューラルネットワーク(CNN)は、複雑なパターンや特徴をデータから抽出する能力のため、画像のノイズ化で人気を博している。 CNNは高度に適応可能であり、様々な画像デノーミングタスクに有効なツールである。 CNNベースのテクニックの欠点のひとつは、適切なトレーニングデータセットとすべてのイメージを再サイズする必要があることだ。 これらのフィルタリング技法のもう一つの顕著な欠点は、特定の種類の環境やカメラのノイズに対して機能することである。 本稿では,この研究ギャップを初めて橋渡しするために,様々な環境・カメラの影響に対して,画質の悪い画像をフィルタリングする手法を提案する。 提案手法では,画像品質評価基準を用いて品質を評価するとともに,画質の悪い画像のフィルタリングに最適なしきい値を用いる。 また、ディープラーニング(DL)モデルを開発するのに十分な画像が残っていることも保証します。 実・シミュレーションされたトラフィックとオブジェクト認識データを用いて得られた結果は,提案手法の最先端手法と比較して,提案手法の性能上の優位性を示す。 提案手法の平均認識精度は,交通標識認識データセットが93.8%,物体認識データセットが84.9%である。 これは、自動運転車のような現実的な応用に対する我々のモデルの可能性を示している。

関連論文リスト

• SAGI: Semantically Aligned and Uncertainty Guided AI Image Inpainting [11.216906046169683]
  SAGI-DはAIが生成する塗り絵の最大かつ最も多様なデータセットである。 実験の結果,セマンティックアライメントは画像の品質と美学を著しく改善することがわかった。 SAGI-Dを使っていくつかの画像法医学的アプローチを訓練すると、ドメイン内の検出性能は平均37.4%向上する。
  論文  参考訳（メタデータ） (2025-02-10T15:56:28Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• Analyzing Noise Models and Advanced Filtering Algorithms for Image Enhancement [0.0]
  本研究の目的は,8種類のノイズを持つ画像に対する異なるフィルタリング手法の有効性を評価することである。 様々な種類の雑音に様々なフィルタを適用することで、異なるフィルタがノイズモデルに与える影響を示す。
  論文  参考訳（メタデータ） (2024-10-29T11:05:52Z)
• DP-IQA: Utilizing Diffusion Prior for Blind Image Quality Assessment in the Wild [73.6767681305851]
  野生のブラインド画像品質評価(IQA)は重大な課題を呈している。 大規模なトレーニングデータの収集が困難であることを考えると、厳密な一般化モデルを開発するために限られたデータを活用することは、未解決の問題である。 事前訓練されたテキスト・ツー・イメージ(T2I)拡散モデルの堅牢な画像認識能力により,新しいIQA法,拡散先行に基づくIQAを提案する。
  論文  参考訳（メタデータ） (2024-05-30T12:32:35Z)
• AdapNet: Adaptive Noise-Based Network for Low-Quality Image Retrieval [41.9012882549912]
  本稿では,ロバストな抽象表現を学習するための適応ノイズベースネットワーク(AdapNet)を提案する。 AdapNetは、Noss Revisited OxfordとNoss Revisited Parisベンチマークの最先端の手法を超越している。
  論文  参考訳（メタデータ） (2024-05-28T00:25:41Z)
• An Image Quality Evaluation and Masking Algorithm Based On Pre-trained Deep Neural Networks [3.3573574079709223]
  本稿では、オートエンコーダを用いて高品質な天体画像の特徴を学習する深層学習に基づく画像品質評価アルゴリズムを提案する。 訓練されたオートエンコーダは、ノイズの影響を受ける領域の画像品質とマスキングの自動評価を可能にする。 本アルゴリズムは,異なるスカイサーベイプロジェクトから得られる画像品質を自動評価するために用いられる。
  論文  参考訳（メタデータ） (2024-05-06T12:20:16Z)
• Assessing The Impact of CNN Auto Encoder-Based Image Denoising on Image Classification Tasks [0.0]
  本研究では, 鋳造品のノイズ画像における欠陥検出のための新しい手法を提案する。 この手法は、VGG16、InceptionV3などの深層学習モデルを空間領域と周波数領域の両方で利用する。 本研究は周波数領域のノイズタイプ分類にVGG16を用い,99%以上の精度を実現した。
  論文  参考訳（メタデータ） (2024-04-16T15:40:18Z)
• 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)
• ExposureDiffusion: Learning to Expose for Low-light Image Enhancement [87.08496758469835]
  この研究は、拡散モデルと物理ベースの露光モデルとをシームレスに統合することで、この問題に対処する。 提案手法は,バニラ拡散モデルと比較して性能が大幅に向上し,推論時間を短縮する。 提案するフレームワークは、実際のペア付きデータセット、SOTAノイズモデル、および異なるバックボーンネットワークの両方で動作する。
  論文  参考訳（メタデータ） (2023-07-15T04:48:35Z)
• Influence of image noise on crack detection performance of deep convolutional neural networks [0.0]
  深層畳み込みニューラルネットワークを用いた画像データからのひび割れの分類について多くの研究がなされている。 本稿では,画像ノイズがネットワークの精度に与える影響について検討する。 AlexNetは提案したインデックスに基づいて最も効率的なモデルに選ばれた。
  論文  参考訳（メタデータ） (2021-11-03T09:08:54Z)
• Image Quality Assessment using Contrastive Learning [50.265638572116984]
  我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。 本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。 以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-25T21:01:00Z)
• Data-driven Meta-set Based Fine-Grained Visual Classification [61.083706396575295]
  本稿では, ノイズの多いWeb画像に対して, 微粒化認識のためのデータ駆動型メタセットベースアプローチを提案する。 具体的には、少量のクリーンなメタセットでガイドされ、メタラーニング方式で選択ネットを訓練し、分布内および分布外ノイズ画像の識別を行う。
  論文  参考訳（メタデータ） (2020-08-06T03:04:16Z)
• 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。