論文の概要: Small, Bias-Free, Blind and Convolutional Denoiser: A compact ConvNeXt U-Net for blind Gaussian color-image denoising
- arxiv url: http://arxiv.org/abs/2607.22793v1
- Date: Fri, 24 Jul 2026 13:31:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:14.879837
- Title: Small, Bias-Free, Blind and Convolutional Denoiser: A compact ConvNeXt U-Net for blind Gaussian color-image denoising
- Title（参考訳）: 小型, バイアスフリー, ブラインド, 畳み込みデノイザ: ブラインドガウス色像デノイジングのためのコンパクトConvNeXt U-Net
- Abstract要約: ブラインド付加白・ガウス色画像復調のためのコンパクトなバイアスフリーConvNeXt U-NetであるBF-ConvUNeXtを記述・評価した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We describe and evaluate BF-ConvUNeXt, a compact bias-free ConvNeXt U-Net for blind additive-white-Gaussian-noise color image denoising, combining four existing ingredients so a single property survives end to end: a frozen depthwise Gabor stem (oriented band-pass, zero trainable parameters), a Laplacian-pyramid encoder routing the high-frequency residual into each skip connection, a ConvNeXt-V1 U-Net body, and bias-free construction throughout (no additive bias, linear head, LeakyReLU, variance-only batch norm). Together these make the 0.82M-parameter network exactly degree-1 homogeneous at inference, D(alpha y) = alpha D(y), licensing a Miyasawa/Tweedie score reading of the residual and blind generalization across noise levels from one model. We train a single blind model on a noise-sigma curriculum (sigma approximately 6.4 to 64, 0-255 scale); it extrapolates past that ceiling without a cliff, degrading smoothly to 22.8 dB at sigma=150 and 20.0 dB at sigma=200. Evaluated unchanged on four standard color sets (CBSD68, Kodak24, McMaster, Urban100) at sigma in {15,25,50}, it matches or beats DnCNN and FFDNet on every set and level, averaging about +0.7 dB over DnCNN. Against heavyweight CNN/transformer state of the art it trails by a small margin (roughly 0.3-1.7 dB depending on set) at 1/15 to 1/39 of their parameters. The homogeneity is inference-only and checkpoint-specific, and the learned residual is a local, not global, score (non-conservative Jacobian), so plug-and-play/RED guarantees do not transfer; it still drives stochastic sampling and linear inverse problems (inpainting, super-resolution, deblurring, compressive sensing).
- Abstract（参考訳）: また,BF-ConvUNeXt,BF-ConvUNeXt,コンパクトなバイアスフリーConvNeXt U-Net,BF-ConvNeXt U-Net,BF-ConvNeXt U-Net,Folded Deepwise Gabor stem (oriented band-pass, zero trainable parameters),Laplacian-pyramid encoder,ConvNeXt-V1 U-Net body,Adjective bias, linear head, LeakyReLU, variance-only batch norm。
これらを合わせて、D(alpha y) = α D(y) という推定で 0.82M パラメータネットワークを正確に1次1等質とし、一方のモデルからの残差と盲点の一般化の宮沢/ツイーディスコアの読み取りをライセンスする。
ノイズ・シグマのカリキュラム(シグマは約6.4～64,0-255スケール)で単一のブラインドモデルをトレーニングし、崖のない天井を外挿し、シグマ=150で22.8dB、シグマ=200で20.0dBに滑らかに分解する。
CBSD68、Kodak24、McMaster、Urban100) の4つの標準色集合は {15,25,50} のシグマで変化せず、DnCNN と FFDNet を各セットとレベルで一致または打ち負かし、平均は DnCNN で +0.7 dB である。
重いCNN/トランスフォーマーに対して、そのパラメータの1/15から1/39で小さなマージン(概ね0.3-1.7dB)を辿る。
ホモジニティは推論のみであり、チェックポイント固有であり、学習された残差は局所的であり、大域的ではなく、スコア(非保守的ジャコビアン)であるため、プラグ・アンド・プレイ/RED保証は転送されない。
関連論文リスト
- ER-KANs: Efficient and Robust Kolmogorov-Arnold Networks for Data-Scarce Scientific Machine Learning [0.0]
トレーニングデータをSigma=0.1ノイズで劣化させた場合,ChebyKanのMSEは10.6倍に向上することを示した。
ER-KANは、ノイズの多いデータスカース設定をターゲットとした3つの設計選択を組み合わせる。
論文 参考訳（メタデータ） (2026-08-14T16:15:37Z) - Agentic Autoresearch for CT Reconstruction [6.987253902215927]
5月低用量CT(ノイズリミット)と128ビュースパースビュー乳房タスクで26の手法をベンチマークした。
訓練された乳房モデルはすべて、再訓練せずにノイズ入力で再検査され、一致した雑音で別々に再訓練された。
ベンチマークは1つの勝者ではなく、統計的に区別できないトップメソッドの層を提供する。
論文 参考訳（メタデータ） (2026-07-24T18:03:21Z) - Level-Crossing Density as a Mesh-Free High-Frequency Auxiliary Loss for Implicit Neural Representations [0.0]
格子も複雑も永続性もない連続神経場に対するスムーズなモンテカルロ推定器を導出する。
推定器は2Dと3Dの正確なトポロジーに対して1-3%の精度で、1イテレーションあたり約3ミリ秒の費用がかかる。
しかし、3Dニューラル-SDFフィッティングでは、任意のサンプルソフトトポロジーの目的に対して一般的な障害モードが現れると信じている。
論文 参考訳（メタデータ） (2026-07-07T04:23:23Z) - Incoherent Deformation, Not Capacity: Diagnosing and Mitigating Overfitting in Dynamic Gaussian Splatting [0.0]
動的3次元ガウス散乱法は、単眼ビデオでは強いトレーニングビューPSNRを実現するが、D-NeRFベンチマークでは不十分である。
鉄道車両の平均PSNR間隔は6.18dBで、個々のシーンで11dBまで上昇する。
EER(Elastic Energy Regularization)は、クラウドを85%拡大しながら、ギャップを40.8%削減する。
論文 参考訳（メタデータ） (2026-04-17T23:41:50Z) - PRISM: Differentiable Analysis-by-Synthesis for Fixel Recovery in Diffusion MRI [1.3063136334195184]
この研究は、多部構成のフォワードモデルとエンドツーエンドの脳脊髄モデルに適合する、微分可能な分析バイシンセシスフレームワークを紹介します。
PRISMは高速MSE目標と情報無しで共同で学習するリッチ陰性対数類似度(NLL)をサポートする。
PRISMは、95%のリコールが最良基準線よりも1.9倍低い3.5度の角誤差を達成している。
論文 参考訳（メタデータ） (2026-03-31T21:22:49Z) - Environment-Aware Indoor LoRaWAN Path Loss: Parametric Regression Comparisons, Shadow Fading, and Calibrated Fade Margins [3.776919981139063]
内部のLoRaWAN伝播は、構造的および時間的変化の文脈因子によって形成される。
リークセーフなクロスバリデーションを用いて評価した,環境に配慮した統計的に規律のある経路損失フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-05T20:14:48Z) - Nonlinear Stochastic Gradient Descent and Heavy-tailed Noise: A Unified Framework and High-probability Guarantees [56.80920351680438]
本研究では,重音の存在下でのオンライン学習における高確率収束について検討する。
ノイズモーメントを仮定することなく、幅広い種類の非線形性を保証する。
論文 参考訳（メタデータ） (2024-10-17T18:25:28Z) - High-probability Convergence Bounds for Nonlinear Stochastic Gradient Descent Under Heavy-tailed Noise [59.25598762373543]
重み付き雑音の存在下でのストリーミングデータにおける学習の精度保証について検討した。
解析的に、与えられた問題に対する設定の選択に$ta$を使うことができることを実証する。
論文 参考訳（メタデータ） (2023-10-28T18:53:41Z) - The Implicit Bias of Batch Normalization in Linear Models and Two-layer
Linear Convolutional Neural Networks [117.93273337740442]
勾配勾配勾配は、exp(-Omega(log2 t))$収束率でトレーニングデータ上の一様マージン分類器に収束することを示す。
また、バッチ正規化はパッチワイドの均一なマージンに対して暗黙の偏りを持つことを示す。
論文 参考訳（メタデータ） (2023-06-20T16:58:00Z) - Bounding the Width of Neural Networks via Coupled Initialization -- A
Worst Case Analysis [121.9821494461427]
2層ReLUネットワークに必要なニューロン数を著しく削減する方法を示す。
また、事前の作業を改善するための新しい下位境界を証明し、ある仮定の下では、最善を尽くすことができることを証明します。
論文 参考訳（メタデータ） (2022-06-26T06:51:31Z) - An Improved Normed-Deformable Convolution for Crowd Counting [70.02434289611566]
頭の中のCNN機能のスケール適応機能を活用するために、変形可能な畳み込みを提案する。
本論文では,改良されたノーマッド・デフォルマブル・コンボリューション(textiti.e.NDConv)を提案する。
本手法は,上海技術A,上海技術B,UCF_QNRF,UCF_CC_50データセットの最先端手法より優れている。
論文 参考訳（メタデータ） (2022-06-16T10:56:26Z) - Deep learning for gravitational-wave data analysis: A resampling
white-box approach [62.997667081978825]
我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。
CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
論文 参考訳（メタデータ） (2020-09-09T03:28:57Z)
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。