論文の概要: Noise2Noise Revisited: Training Pair Distributions Dominate Loss Choice in Self-Supervised Denoising
- arxiv url: http://arxiv.org/abs/2609.16788v1
- Date: Tue, 15 Sep 2026 07:57:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.397757
- Title: Noise2Noise Revisited: Training Pair Distributions Dominate Loss Choice in Self-Supervised Denoising
- Title（参考訳）: ノイズ2ノイズ再考:自己監督型デノナイジングにおけるペア分布のトレーニングは損失選択を左右する
- Abstract要約: ノイズ2ノイズは、独立して破損した観測のペアにノイズを発する。
5つの合成ノイズ族を持つKodak24では、L1損失は1dB PSNR以下の統計的に重要なエッジを持つ。
実際のカメラノイズでは、損失は分布における決定的な変数ではない。
- 参考スコア（独自算出の注目度）: 8.270299730335704
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Noise2Noise (N2N) trains denoisers on pairs of independently corrupted observations, eliminating clean references. We stress-test two natural conjectures about why the L1 loss outperforms L2 here. First, the hypothesis that the L1 loss confers robustness via parameter sparsity confuses the loss with Lasso regularization: an explicit Lasso penalty produces the predicted sparsity yet fails to reproduce L1's cross-noise behavior, while L1- and L2-trained weight distributions are indistinguishable. Second, the population optima of the two losses coincide exactly for symmetric signal posteriors and nearly so for concentrated ones. Measured differences are therefore dominated by optimization dynamics (bounded-influence gradients), which we probe with gradient statistics and contaminated-target training. On Kodak24 with five synthetic noise families, the L1 loss holds a statistically significant edge over L2, below 1 dB PSNR, holding across three seeds on 13 of the 14 noise columns. On real camera noise the loss is not the decisive variable in distribution: on official SIDD validation blocks, synthetic-Gaussian-trained N2N models gain only 0.8 to 3.7 dB over the noisy input regardless of loss, while retraining on SIDD's own noisy pairs, never reading ground truth, gains 9.4 to 11.0 dB, far ahead of BM3D. All metrics are on raw network outputs, and the study makes no leaderboard claim. The training pair distribution, not the loss, carries the inductive bias. That design rule applies wherever clean references are unobtainable, from microscopy to industrial inspection sensors.
- Abstract（参考訳）: ノイズ2ノイズ(N2N)は、独立に破損した観測のペアでノイズを除去し、クリーンな参照を除去する。
L1損失がなぜここで L2 を上回るのかという2つの自然予想をストレステストする。
明示的なラッソのペナルティは、L1のクロスノイズの振る舞いを再現できないが、L1-およびL2-トレーニングされた重量分布は区別できない。
第二に、2つの損失の個体数は対称信号後部とほぼ一致しており、集中信号後部とほぼ一致している。
測定された差分は最適化力学(バウンド・インフルエンス・グラデーション)によって支配される。
5つの合成ノイズファミリーを持つKodak24では、L1損失は1dB PSNR以下の統計的に重要なエッジを持ち、14のノイズカラムのうち13の3つの種にまたがる。
公式のSIDD検証ブロックでは、合成ガウスで訓練されたN2Nモデルは、損失に関わらずノイズの多い入力に対して0.8から3.7dBしか得られず、SIDDのノイズの多いペアでは、地上の真実を読まずに、BM3Dよりはるかに早く9.4から11.0dBを得る。
すべてのメトリクスは生のネットワーク出力に基づいています。
損失ではなくトレーニングペアの分布は帰納バイアスをもたらす。
このデザインルールは、顕微鏡から産業用検査センサーまで、クリーンな基準が持続不可能な場所で適用されます。
関連論文リスト
- Deposon: An Auditable, Conservation-Guaranteed, Game-Theoretically Tested Scattering Layer over LLM Reasoning Paths [0.0]
マルチステップLSM推論では、マシンの再チェック可能な台帳が欠落している。
LLM生成した概念分解グラフの各ノードに結合するデポソン散乱層を提案する。
論文 参考訳（メタデータ） (2026-09-08T16:40:31Z) - Intrinsic-Noise Consolidation: A Doob-Barrier-Conditioned Diffusion Turns Analog Device Noise into a Continual-Learning Resource [0.0]
アナログニューロモルフィックハードウェアでは、固有のデバイスノイズは通常精度税である。
シングルヘッドのスプリット-MNIST (8シード)ルールでは、最適な内部で保持率10.9ポイントを上昇させる。
実際のBrainScaleS-2(オンチップ平均化による追加的、トライアル・ツー・トライアル・インディペンデント、チューナブル)の固有ノイズを測定し、トレーニングループのノイズでチップ上でルールを実行する。
論文 参考訳（メタデータ） (2026-07-08T02:38:02Z) - ReNIO: Reweighting Negative Trajectory Importance for LLM On-Policy Distillation [8.293675661721926]
オンライン蒸留は、学生モデルを独自の出力で訓練することで推論を改善するが、標準的なOPDは学生が生産する出力を、その情報によらず平等に扱う。
我々は制御されたフィルタリング実験において一貫した非対称性を観察し、OPDとOPSDの両方において、不正なSGOのトレーニングのみにおいて、正しいトレーニングよりも優れた結果が得られることを示した。
完全回答を含むロールアウトを必要とせずにこの信号を利用するために,LLMオンポリス蒸留における負の軌道重要度を重み付けするReNIOを導入する。
論文 参考訳（メタデータ） (2026-06-22T09:46:35Z) - Diagnosing Non-Markovian Observations in Reinforcement Learning via Prediction-Based Violation Scoring [0.0]
強化学習アルゴリズムは、観測がマルコフの性質を満たすと仮定する。
実世界のセンサーは、相関ノイズ、遅延、または部分的な可観測性を通じて、この仮定にしばしば違反する。
本稿では,観測軌道における非マルコフ構造を定量化する予測に基づくスコアリング手法を提案する。
論文 参考訳（メタデータ） (2026-03-28T19:42:27Z) - Stochastic Weakly Convex Optimization Under Heavy-Tailed Noises [55.43924214633558]
本稿では,サブワイブルノイズとSsBCノイズの2種類のノイズに着目した。
これら2つのノイズ仮定の下では、凸最適化と滑らかな最適化の文脈において、SFOMの不規則および高確率収束が研究されている。
論文 参考訳（メタデータ） (2025-07-17T16:48:45Z) - Robust Tensor Completion via Gradient Tensor Nulclear L1-L2 Norm for Traffic Data Recovery [14.96194593196997]
本稿では,L1-L2ノルム(RTC-NL)モデルによるロバスト・コンプリートを提案する。
論文 参考訳（メタデータ） (2025-06-28T02:38:01Z) - Personalized Denoising Implicit Feedback for Robust Recommender System [60.719158008403376]
ユーザの個人的損失分布には,正常なインタラクションとノイズの多いインタラクションが明確に区別されていることを示す。
本稿では,ユーザのパーソナライズロス分布であるPLDを用いてDenoiseに対する再サンプリング戦略を提案する。
論文 参考訳（メタデータ） (2025-02-01T07:13:06Z) - Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。
我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。
SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
論文 参考訳（メタデータ） (2024-06-10T21:44:52Z) - Investigating the Impact of Model Width and Density on Generalization in Presence of Label Noise [14.321983120805534]
実験損失曲線に対するラベルノイズの影響について検討する。
十分に大きなノイズ対サンプルサイズ比の下では、中間幅で最適な一般化が達成される。
ラベルノイズに対する大きな$ell$正規化と堅牢な学習手法が最終的な上昇を悪化させることがわかった。
論文 参考訳（メタデータ） (2022-08-17T00:51:27Z) - Identifying Hard Noise in Long-Tailed Sample Distribution [71.8462682319137]
NLT(Noisy Long-Tailed Classification)を紹介する。
ほとんどのノイズ除去法は、ハードノイズを特定するのに失敗する。
我々はH2E(Hard-to-Easy)と呼ばれる反復的な雑音学習フレームワークを設計する。
論文 参考訳（メタデータ） (2022-07-27T09:03:03Z) - Label Distributionally Robust Losses for Multi-class Classification:
Consistency, Robustness and Adaptivity [55.29408396918968]
多クラス分類のためのラベル分布ロバスト(LDR)損失という損失関数群について検討した。
我々の貢献は、多クラス分類のためのLDR損失のトップ$kの一貫性を確立することによって、一貫性と堅牢性の両方を含んでいる。
本稿では,各インスタンスのクラスラベルの雑音度に個別化温度パラメータを自動的に適応させる適応型LDR損失を提案する。
論文 参考訳（メタデータ） (2021-12-30T00:27:30Z) - Residual Contrastive Learning for Joint Demosaicking and Denoising [49.81596361351967]
RAW画像,残差コントラスト学習(RCL)における新しいコントラスト学習手法を提案する。
本研究は,各RAW画像に含まれる雑音が信号に依存しているという仮定に基づいて構築した。
我々は、未知の(ランダムな)ノイズ分散を伴う教師なしJDDタスクに対する新しいベンチマークを設定した。
論文 参考訳（メタデータ） (2021-06-18T11:37:05Z)
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。