論文の概要: Fidelity-Constrained Anchoring for Black-Box Denoisers

• arxiv url: http://arxiv.org/abs/2608.13194v1
• Date: Thu, 13 Aug 2026 12:59:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.524436
• Title: Fidelity-Constrained Anchoring for Black-Box Denoisers
• Title（参考訳）: ブラックボックスデノイザの忠実度制約アンカリング
• Abstract要約: 本稿では,ブラックボックスのデノイザを再学習することなく,計算量が少なく入力にアンカーするフレームワークを提案する。 提案手法は, ノイズ発生性能と統計的自然さのバランスを保ちながら, 有効忠実度制御を実現する。 特に、SSIMベースのアンカーは、PSNRベースのアンカーよりもノイズレベルにわたってより一貫した振る舞いをもたらす。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a fidelity-constrained framework that anchors the output of a black-box denoiser to its input without retraining and with little additional computation. The method linearly blends the denoised image with the input and selects the maximum blending factor that satisfies a prescribed local fidelity constraint using Peak Signal-to-Noise Ratio (PSNR) or Structural Similarity Index (SSIM). For PSNR control, a closed-form solution is obtained under a local constant-blending assumption. For SSIM control, we derive a tractable formulation based on inverse SSIM under the same assumption and solve it efficiently using iterative root finding. Experiments on DIV2K images with synthetic Gaussian noise and outputs from Real-ESRGAN and a non-local means denoiser show that the proposed anchoring strategy provides effective fidelity control while balancing denoising performance and statistical naturalness, as measured by the excess kurtosis of residual noise. In particular, SSIM-based anchoring yields more consistent behavior across noise levels than PSNR-based anchoring.
• Abstract（参考訳）: そこで本稿では,ブラックボックスデノイザの出力を再トレーニングすることなく,計算量が少なく抑えられる忠実度制約付きフレームワークを提案する。 本発明の方法は、復号画像と入力とを線形にブレンドし、ピーク信号対雑音比(PSNR)または構造類似度指数(SSIM)を用いて所定の局所忠実度制約を満たす最大ブレンディング係数を選択する。 PSNR制御の場合、閉形式解は局所的な定数ブレンディング仮定の下で得られる。 SSIM制御の場合、同じ仮定で逆SSIMに基づいてトラクタブルな定式化を導出し、反復根探索を用いて効率よく解決する。 合成ガウス雑音によるDIV2K画像とReal-ESRGANからの出力と非局所的手段デノイザを用いた実験により,残音の余剰曲率によって測定された復調性能と統計的自然さのバランスを保ちながら,提案手法が有効忠実度制御を提供することを示した。 特に、SSIMベースのアンカーは、PSNRベースのアンカーよりもノイズレベルにわたってより一貫した振る舞いをもたらす。

関連論文リスト

• ENCORE: Efficient Noise Context-Aware Representation for Low-Dose CT Denoising [1.539942973115038]
  低用量CTでは深層学習に基づく denoising が広く採用されている。 従来のモデルでは非定常的かつ空間的に相関したCTノイズ特性を考慮できない。 本稿では,効率的なノイズ認識表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-11T00:57:39Z)
• Drift-Aware RL-based Wavelet Denoising for Network-Traffic Anomaly Detection [1.5469452301122173]
  ネットワーク監視のための交通利用測定は、付加雑音と統計的ドリフトによって損なわれる。 2つのタスクに最適化された前処理層として適応ウェーブレットをデノナイズするドリフト対応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-22T10:52:05Z)
• SATB-VR: Training Few-Step Video Restoration Diffusion Model using SNR-Aware Trajectory Blending [55.764018145256216]
  本稿では,補助予測器を介してデノナイジングプロセスを開始する数ステップのパラダイムであるSATB-VRを提案する。 我々は,SATB-VRが,合成,実世界,AIGCベンチマークにおける既存のアプローチに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2026-06-27T01:32:16Z)
• 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)
• Spatial-Spectral Adaptive Fidelity and Noise Prior Reduction Guided Hyperspectral Image Denoising [11.513560890234864]
  本稿では,雑音事前低減と空間-スペクトル適応忠実度項を統合する枠組みを提案する。 本枠組みでは,高速かつ堅牢な画素ワイドモデルと,代表係数の総変分正規化器を併用したモデルを構築した。 シミュレーションおよび実世界のデータセットの実験は、提案モデルが優れた騒音性能を達成することを示す。
  論文  参考訳（メタデータ） (2026-04-14T11:27:23Z)
• Noise Augmented Fine Tuning for Mitigating Hallucinations in Large Language Models [1.0579965347526206]
  大規模言語モデル(LLM)は、しばしば不正確な、または誤解を招くコンテンツ・ハロシンを生成する。 noise-Augmented Fine-Tuning (NoiseFiT) は適応ノイズ注入を利用してモデルロバスト性を高める新しいフレームワークである。 NoiseFiTは、動的にスケールしたガウス雑音を用いて、高SNR(より堅牢)または低SNR(潜在的に過正規化)と同定された層を選択的に摂動する。
  論文  参考訳（メタデータ） (2025-04-04T09:27:19Z)
• Gradient Normalization Provably Benefits Nonconvex SGD under Heavy-Tailed Noise [60.92029979853314]
  重み付き雑音下でのグラディエントDescence(SGD)の収束を確実にする上での勾配正規化とクリッピングの役割について検討する。 我々の研究は、重尾雑音下でのSGDの勾配正規化の利点を示す最初の理論的証拠を提供する。 我々は、勾配正規化とクリッピングを取り入れた加速SGD変種を導入し、さらに重み付き雑音下での収束率を高めた。
  論文  参考訳（メタデータ） (2024-10-21T22:40:42Z)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• Latent Class-Conditional Noise Model [54.56899309997246]
  本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。 次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。 提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
  論文  参考訳（メタデータ） (2023-02-19T15:24:37Z)
• CFNet: Conditional Filter Learning with Dynamic Noise Estimation for Real Image Denoising [37.29552796977652]
  本稿では、カメラ内信号処理パイプラインを用いた異方性ガウス/ポアソンガウス分布によって近似された実雑音について考察する。 本稿では,特徴位置の異なる最適なカーネルを画像とノイズマップの局所的特徴により適応的に推定できる条件付きフィルタを提案する。 また,CNN構造にノイズ推定や非ブラインド復調を行う場合,反復的特徴復調を導出する前に連続的にノイズを更新すると考える。
  論文  参考訳（メタデータ） (2022-11-26T14:28:54Z)
• Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
  暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。 提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-05T12:46:36Z)
• Simultaneous Denoising and Dereverberation Using Deep Embedding Features [64.58693911070228]
  ディープ埋め込み特徴を用いた同時発声・発声同時学習法を提案する。 ノイズ発生段階では、DCネットワークを利用してノイズのないディープ埋込み特性を抽出する。 残響段階では、教師なしのK平均クラスタリングアルゴリズムの代わりに、別のニューラルネットワークを用いて無響音声を推定する。
  論文  参考訳（メタデータ） (2020-04-06T06:34:01Z)

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。