論文の概要: LiteKD-Net: Lightweight Knowledge-Distilled Network for Mobile Image Denoising
- arxiv url: http://arxiv.org/abs/2608.05739v1
- Date: Thu, 06 Aug 2026 08:21:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 15:25:20.852993
- Title: LiteKD-Net: Lightweight Knowledge-Distilled Network for Mobile Image Denoising
- Title（参考訳）: LiteKD-Net:モバイル画像認識のための軽量知識蒸留ネットワーク
- Abstract要約: LiteKD-Netは、モバイル画像の識別のための軽量な知識蒸留ネットワークである。
LiteKD-Netは、復元品質と計算効率の大きなトレードオフを提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mobile image denoising requires both good restoration quality and low computational cost. In addition, it's annoying to collect large-scale LQ-GT clean pairs. As a result, we propose LiteKD-Net, a lightweight knowledge-distilled network for mobile image denoising. First, a physics-guided noise simulation pipeline generates paired training data by adding pixel crosstalk compared with pipelines applied to cameras. Next, we adapt the Real-ESRGAN to identity-resolution denoising and construct a lightweight Student using Lite-RRDB blocks based on depthwise separable convolutions. Third, feature-level knowledge distillation is applied to transfer the Teacher's restoration capability to the Student without introducing additional inference cost. Experiments on real-world datasets show that our model reaches great reduction in runtime and increase in the inference rate with good restoration quality. Our model also reaches the best in all metrics compared with SwinIR. These results indicate that LiteKD-Net provides a great trade-off between restoration quality and computational efficiency.
- Abstract（参考訳）: モバイル画像の復調には、良好な復元品質と低い計算コストが必要である。
さらに、大規模なLQ-GT清潔なペアを収集するのは面倒です。
そこで本研究では,モバイル画像復号化のための軽量な知識蒸留ネットワークLiteKD-Netを提案する。
まず、物理誘導型ノイズシミュレーションパイプラインは、カメラに適用されるパイプラインと比較して画素クロストークを追加することにより、ペア化されたトレーニングデータを生成する。
次に、Real-ESRGANを識別分解能に適応させ、奥行き分離可能な畳み込みに基づくLite-RRDBブロックを用いた軽量の学生を構築する。
第3に,教員の回復能力を学生に導入するために,追加の推論コストを課さずに,機能レベルの知識蒸留を適用した。
実世界のデータセットを用いた実験により、我々のモデルは実行時間を大幅に短縮し、良好な復元品質で推論速度が向上することが示された。
当社のモデルは,SwinIRと比較して,すべての指標で最高のレベルに達しています。
これらの結果は,LiteKD-Netが復元品質と計算効率との間に大きなトレードオフをもたらすことを示唆している。
関連論文リスト
- DnLUT: Ultra-Efficient Color Image Denoising via Channel-Aware Lookup Tables [60.95483707212802]
DnLUTは、リソース消費を最小限に抑えながら高品質なカラーイメージを実現する、超効率的なルックアップテーブルベースのフレームワークである。
Pairwise Channel Mixer(PCM)は、チャネル間の相関関係と空間的依存関係を並列に効果的にキャプチャし、L字型畳み込み設計により受容界のカバレッジを最大化する。
これらのコンポーネントをトレーニング後に最適化されたルックアップテーブルに変換することで、DnLUTは、CNNの競合であるDnCNNと比較して500KBのストレージと0.1%のエネルギー消費しか必要とせず、20倍高速な推論を実現している。
論文 参考訳（メタデータ） (2025-03-20T08:15:29Z) - Soft Knowledge Distillation with Multi-Dimensional Cross-Net Attention for Image Restoration Models Compression [0.0]
トランスフォーマーベースのエンコーダデコーダモデルは、画像間転送タスクにおいて顕著な成功を収めた。
しかし、高い計算複雑性はFLOPの増大やパラメータの増大に悩まされ、現実のシナリオでの応用が制限される。
画像復元モデルを圧縮するための多次元クロスネットアテンション(MCA)機構を組み込んだソフトナレッジ蒸留(SKD)戦略を提案する。
論文 参考訳（メタデータ） (2025-01-16T06:25:56Z) - DenoiseRep: Denoising Model for Representation Learning [17.63931025833262]
本稿では,特徴抽出とデノナイジングによる特徴識別を改善するために,表現学習のための新しいDenoising Model(DenoiseRep)を提案する。
DenoiseRepは、インクリメンタルに機能を改善するが、利用可能であればラベルを補完するラベルフリーのアルゴリズムである。
論文 参考訳（メタデータ） (2024-06-13T03:05:36Z) - A cross Transformer for image denoising [83.68175077524111]
直列ブロック(SB)、並列ブロック(PB)、残留ブロック(RB)を備えたクロストランスフォーマー(CTNet)を提案する。
CTNetは、実画像や合成画像のデノナイジングにおいて、一般的なデノナイジング法よりも優れている。
論文 参考訳（メタデータ） (2023-10-16T13:53:19Z) - LW-ISP: A Lightweight Model with ISP and Deep Learning [17.972611191715888]
ISPパイプラインにおけるリアルタイム高速処理を実現するための学習ベース手法の可能性を示す。
RAWデータからRGB画像へのイメージマッピングを暗黙的に学習する新しいアーキテクチャであるLW-ISPを提案する。
実験により、LW-ISPはPSNRの0.38dB改善を達成した。
論文 参考訳（メタデータ） (2022-10-08T04:00:03Z) - Multi-stage image denoising with the wavelet transform [125.2251438120701]
深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。
動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
論文 参考訳（メタデータ） (2022-09-26T03:28:23Z) - Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。
トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。
AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
論文 参考訳（メタデータ） (2022-03-24T18:11:31Z) - Selective Residual M-Net for Real Image Denoising [6.909688694501238]
本稿では,視覚的実画像復調ネットワーク(SRMNet)を提案する。
具体的には、M-Netと呼ばれる階層構造上の残留ブロックを持つ選択的カーネルを用いて、マルチスケールのセマンティック情報を強化する。
OurNetは、定量的メトリクスと視覚的品質の点で、2つの合成および2つの実世界のノイズの多いデータセット上で、競合するパフォーマンス結果を持っています。
論文 参考訳（メタデータ） (2022-03-03T11:10:30Z) - Unpaired Learning of Deep Image Denoising [80.34135728841382]
本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。
自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。
実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
論文 参考訳（メタデータ） (2020-08-31T16:22:40Z) - Attention Based Real Image Restoration [48.933507352496726]
深層畳み込みニューラルネットワークは、合成劣化を含む画像に対してより良い性能を発揮する。
本稿では,新しい1段ブラインド実画像復元ネットワーク(R$2$Net)を提案する。
論文 参考訳（メタデータ） (2020-04-26T04:21:49Z)
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。