論文の概要: Structural Guidance for Unified Joint Demosaicing and Denoising
- arxiv url: http://arxiv.org/abs/2608.09995v1
- Date: Fri, 07 Aug 2026 10:14:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.746536
- Title: Structural Guidance for Unified Joint Demosaicing and Denoising
- Title（参考訳）: 統一型複合デモサイジング・デノナイジングのための構造誘導
- Abstract要約: カメラ画像信号処理の基本的なステップは、共同復調と復調である。
カラーサンプリングと画像内容の両面に異なるバイエル様カラーフィルタアレイ(CFA)とセンサノイズが混在していた。
本稿では,CFAを意識した画像復元に事前学習した構造知識を注入する構造誘導統合修復フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 15.554336519344078
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Joint demosaicing and denoising is a fundamental step in camera image signal processing, yet remains challenging because different Bayer-like color filter arrays (CFAs) and sensor noise jointly corrupt both color sampling and image content. Existing unified restoration networks explicitly model CFA geometry but are still driven primarily by pixel-level supervision, making them prone to structural degradation around edges, repetitive textures, and moiré patterns where local evidence is unreliable. We attribute this limitation partly to the absence of explicit structural guidance beyond pixel-level reconstruction supervision. Motivated by this observation, we propose a structural-guided unified restoration framework that injects pretrained structural knowledge into CFA-aware image restoration. Our model receives a unified five-channel observation consisting of the raw mosaic, CFA masks, and a noise-level map. A SwinIR restoration branch reconstructs pixel details under CFA-conditioned modulation, while a parallel structural reasoning branch extracts complementary structural cues from a sparse pseudo-RGB observation. To bridge the substantial domain gap between sparse noisy sensor data and the natural-image pretraining domain of the structural encoder, we introduce a lightweight trainable adapter before residually fusing structural and restoration features. A shared decoder jointly predicts the restored RGB image and an auxiliary clean mosaic, providing supervision in both image and sensor domains. Extensive experiments across multiple CFA patterns and noise levels demonstrate consistent improvements over state-of-the-art unified and CFA-specific methods, indicating that adapted structural priors can enhance robust camera image restoration. The source codes and dataset are provided in the supplementary material.
- Abstract（参考訳）: カメラ画像信号処理の基本的なステップは、バイエル様カラーフィルタアレイ(CFA)とセンサノイズがカラーサンプリングと画像内容の両方を共同で劣化させるためである。
既存の統一修復ネットワークはCFA幾何を明示的にモデル化しているが、それでも主にピクセルレベルの監督によって駆動され、エッジ、反復的なテクスチャ、局所的な証拠が信頼できないモアレパターンなどの構造劣化を招きやすい。
この制限は、画素レベルの再構築監督以上の明示的な構造的ガイダンスが存在しないことによるものである。
本研究は,CFAを意識した画像復元に事前学習した構造知識を注入する構造誘導型統一修復フレームワークを提案する。
本モデルでは, 原モザイク, CFAマスク, ノイズレベルマップからなる5チャンネルの観測を行った。
SwinIR修復部はCFA条件の変調の下で画素の詳細を再構成し、並列構造推論部はスパース擬似RGB観察から補完構造的手がかりを抽出する。
構造エンコーダのスパースノイズセンサデータと自然像事前学習領域の領域ギャップを埋めるために, 構造的・復元的特徴を残留的に融合させる前に, 軽量なトレーニング可能なアダプタを導入する。
共有デコーダは、復元されたRGB画像と補助クリーンモザイクとを共同で予測し、画像領域とセンサー領域の両方を監督する。
複数のCFAパターンとノイズレベルにわたる広範囲な実験により、最先端の統一およびCFA固有の手法よりも一貫した改善が示され、適応された構造的事前が堅牢なカメラ画像復元を促進することが示されている。
ソースコードとデータセットは補足材料で提供される。
関連論文リスト
- SegDem: Segmentation helps Demosaicing [52.515779223891705]
カラーフィルタ(CFA)を用いたセンサによる不完全色測定からフルカラー画像の再構成
既存のほとんどの方法は、ピクセルレベルの再構成として復号化を定式化している。
SegDemは、デモを行うためのクロスタスクデコーダ表現転送フレームワークである。
論文 参考訳（メタデータ） (2026-08-08T04:49:20Z) - FaithIR: Rethinking Infrared Image Super-Resolution from Perceptual Sharpness to Task Relevant Fidelity [50.75932774177958]
FaithIRは信頼性の高いマシン認識のための忠実な赤外線超解像度フレームワークである。
FLIR-IISR、M3FD、FMBの実験は、強い再構成忠実度、クロスデータセットの一般化、オブジェクト検出とセマンティックセグメンテーションにおける優れた性能を示す。
論文 参考訳（メタデータ） (2026-08-04T04:23:30Z) - LaP-Forensics: Latent-Pixel Consistency Guided Multimodal Reasoning for Deepfake Detection [11.780720481629837]
本稿では,RGBセマンティクスを再構築に基づく法医学的証拠で強化するフレームワークであるLaP-Forensicsを紹介する。
独立プロジェクタは、構造化されたWhere-What-Whyモデルの前にRGBイメージと残留マップを符号化し、テキスト解析とアーティファクトマスクを予測する。
実験では、UniversalFakeDetect上でのクロスジェネレータ検出と、公式のSynthScarsベンチマークでの競合アーティファクトローカライゼーションが示されている。
論文 参考訳（メタデータ） (2026-07-28T16:45:52Z) - CogSENet: Blind Image Deblurring with Blur-Conditioned Semantic Routing and Explicit Frequency Fusion [3.7521959864518593]
CogSENetは、ワシの視覚システムにインスパイアされた動的でセマンティックな再構築フレームワークである。
CogSENetoutperは、より少ないパラメータで、視覚的品質と構造的忠実度の両方で最先端のデブロアリングメソッドを生成する。
論文 参考訳（メタデータ） (2026-06-29T09:29:21Z) - Improving Radio Interferometry Imaging by Explicitly Modeling Cross-Domain Consistency in Reconstruction [10.224329769135139]
本稿では,クロスドメイン一貫性を明示的にモデル化したマルチモーダル無線干渉データ再構成手法を提案する。
実験の結果,CDCRecはクロスドメイン相関抽出の強化により撮像性能が向上することが示された。
論文 参考訳（メタデータ） (2026-04-18T02:46:26Z) - SSP-IR: Semantic and Structure Priors for Diffusion-based Realistic Image Restoration [20.873676111265656]
SSP-IRは、低画質の画像からセマンティックと構造をフル活用することを目的としている。
提案手法は,合成および実世界のデータセットにおいて,他の最先端手法よりも優れる。
論文 参考訳（メタデータ） (2024-07-04T04:55:14Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - Editing Out-of-domain GAN Inversion via Differential Activations [56.62964029959131]
本稿では,構成分解パラダイムを用いて,ドメイン外反転問題に対処する新しいGAN事前編集フレームワークを提案する。
生成されたDiff-CAMマスクの助けを借りて、粗い再構成を直感的に元の画像と編集された画像で合成することができる。
また, 分解段階において, 粗い再構成から最終微編集画像を切り離すための, GAN 以前のデゴーストネットワークを提示する。
論文 参考訳（メタデータ） (2022-07-17T10:34:58Z) - Cross-SRN: Structure-Preserving Super-Resolution Network with Cross
Convolution [64.76159006851151]
低解像度 (LR) 画像から高解像度 (SR) 画像への復元は, 正確かつ明確である。
既存のディープラーニングは、画像の固有の構造情報をほとんど無視する。
構造情報の探索と保存を行う階層的特徴利用ネットワークを設計する。
論文 参考訳（メタデータ） (2022-01-05T05:15:01Z) - Structure-Preserving Image Super-Resolution [94.16949589128296]
単一画像超解像(SISR)の構造
近年の研究では、フォトリアリスティック画像の復元によるSISRの開発が進められている。
しかし、回収された画像にはいまだ望ましくない構造歪みがある。
論文 参考訳（メタデータ） (2021-09-26T08:48:27Z)
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。