論文の概要: Implicit Neural Speckle Denoising

• arxiv url: http://arxiv.org/abs/2608.06574v1
• Date: Thu, 06 Aug 2026 20:36:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.285975
• Title: Implicit Neural Speckle Denoising
• Title（参考訳）: 入射型ニューラルスペックルデノイング
• Abstract要約: ニューラル表現とアパーチャ認識の最大形状を組み合わせたトレーニング不要のフレームワークを導入し,雑音の観測からダイナミックでスペックルのない画像を直接復元する。 その結果, 空間的忠実度, 時間的整合性, および古典的, 教師なし, 監督的観察に対する様々なスペックル統計値が得られた。
• 参考スコア（独自算出の注目度）: 8.506200151475559
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Speckle fundamentally limits coherent imaging by introducing multiplicative, spatially correlated noise that obscures scene structure. Removing speckle noise from dynamic scenes--that do not benefit from conventional speckle averaging--is particularly challenging. We introduce a training-free framework that combines a spatiotemporal implicit neural representation with an aperture-aware maximum-likelihood formulation to recover dynamic, speckle-free imagery directly from noisy observations. The coherent likelihood explicitly models the aperture-dependent spatial covariance of speckle, enabling adaptation to arbitrary pupil geometries without retraining. A matrix-free implementation based on FFT-accelerated operators, stochastic approximations, and conjugate gradients makes optimization practical for realistic image sizes. Meanwhile, a blind holdout criterion provides automatic early stopping without clean reference data. Simulated and laboratory results demonstrate improved spatial fidelity, temporal consistency, and robustness to varying speckle statistics relative to classical, unsupervised, and supervised baselines.
• Abstract（参考訳）: スペックルは、シーン構造を隠蔽する乗法的空間相関ノイズを導入することで、コヒーレントイメージングを根本的に制限する。 ダイナミックシーンからのスペックルノイズの除去 - 従来のスペックル平均化の恩恵を受けない - は特に困難である。 本研究では,時空間的暗黙的ニューラル表現とアパーチャを意識した最大様相の定式化を併用して,雑音の観測からダイナミックでスペックルのない画像を直接復元する学習自由フレームワークを提案する。 コヒーレントは、スペクトルの開口依存性の空間的共分散を明示的にモデル化し、任意の瞳孔ジオメトリーに再トレーニングせずに適応することができる。 FFT加速演算子、確率近似、共役勾配に基づく行列のない実装は、現実的な画像サイズに最適化を実践する。 一方、ブラインドホールドアウト基準は、クリーンな参照データなしで自動早期停止を提供する。 シミュレーションおよび実験結果は、古典的、教師なし、教師なしのベースラインに対する様々なスペックル統計に対して、空間的忠実性、時間的一貫性、堅牢性を改善したことを示す。

関連論文リスト

• From Atoms to Entropy: Optimal Noise Allocation for Diffusion Training in the Convex Regime [52.459513910242485]
  拡散訓練における最適な雑音レベルアロケーションを研究するための一般統計フレームワークを開発する。 最適化されたトレーニングスケジュールは、有限個のノイズレベルに集中した原子最小値を持つことを示す。 次に,大規模実験におけるエントロピック・スケジュールの評価を行った。
  論文  参考訳（メタデータ） (2026-07-10T20:59:06Z)
• Spectral Gating via Damped Oscillations for Adaptive Implicit Neural Representations [24.706105488382818]
  Inlicit Neural Representation (INR)は、座標ベースのネットワークを通じて連続的な信号を符号化することに成功した。 周期的なアクティベーションは細部を捉えるが、ノイズを記憶するオールパスフィルタとして機能する一方、空間的にコンパクトなアクティベーションは効率よく正規化されるが、低周波バイアスに悩まされる。 本稿では,各ニューロンの活性化を正弦波駆動型減衰振動子の定常応答としてモデル化することを提案する。
  論文  参考訳（メタデータ） (2026-06-22T11:59:47Z)
• Contrast encodes inductive bias: separating slow noise from dynamics in predictive representation learning [0.0]
  自己監督法は、徐々に変化するノイズと、それらが捉えようとするダイナミックな信号とを混同することが示されている。 システムを管理する真の潜伏変数の代わりに、対照的な予測目的がこれらの特徴を優先的に符号化することを示します。 この結果は,動的表現学習において,対照的な予測目標を設計するための原則をめざすものである。
  論文  参考訳（メタデータ） (2026-06-05T18:28:43Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• Oracle Noise: Faster Semantic Spherical Alignment for Interpretable Latent Optimization [5.814544128372275]
  Oracle Noiseは、ハイパースフィアに限られるセマンティック駆動の最適化としてノイズを緩和するゼロショットフレームワークである。 ブラックボックスモデルなしでセマンティックアライメントと優れた美学を著しく加速する。 人間の好みの指標(HPSv2、ImageReward)、セマンティックアライメント(CLIP Score)、サンプルの多様性など、いずれも厳格な2秒の最適化予算内で、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-04-26T05:32:26Z)
• Search-Augmented Masked Diffusion Models for Constrained Generation [47.47350674873298]
  Search-Augmented Masked Diffusion (SearchDiff)は、インフォメーションサーチを直接リバース・デノイング・プロセスに統合するトレーニング不要なニューロシンボリック推論フレームワークである。 SearchDiffは制約満足度とプロパティの定着性を大幅に改善し、離散拡散と自己回帰ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-02-02T19:43:25Z)
• Robust Representation Consistency Model via Contrastive Denoising [83.47584074390842]
  ランダムな平滑化は、敵の摂動に対する堅牢性を証明する理論的保証を提供する。 拡散モデルは、ノイズ摂動サンプルを浄化するためにランダムな平滑化に成功している。 我々は,画素空間における拡散軌跡に沿った生成的モデリングタスクを,潜在空間における識別的タスクとして再構成する。
  論文  参考訳（メタデータ） (2025-01-22T18:52:06Z)
• Representing Noisy Image Without Denoising [91.73819173191076]
  ラドン空間におけるフラクショナルオーダーモーメント(FMR)は、ノイズの多い画像から直接ロバストな表現を引き出すように設計されている。 従来の整数順序法とは異なり、我々の研究は特別な場合のような古典的手法を取り入れたより汎用的な設計である。
  論文  参考訳（メタデータ） (2023-01-18T10:13:29Z)
• IntrinsicNeRF: Learning Intrinsic Neural Radiance Fields for Editable Novel View Synthesis [90.03590032170169]
  内在性ニューラルレンダリング法に内在性分解を導入した内在性ニューラルレイディアンス場(IntrinsicNeRF)を提案する。 そこで,本研究では,オブジェクト固有・ルームスケールシーンと合成・実単語データの両方を用いて,一貫した本質的な分解結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-10-02T22:45:11Z)

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。