論文の概要: Image Denoising Using Lower Semi-Frames

• arxiv url: http://arxiv.org/abs/2609.27893v1
• Date: Fri, 21 Aug 2026 04:00:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.003735
• Title: Image Denoising Using Lower Semi-Frames
• Title（参考訳）: 下半フレームを用いた画像のデノーミング
• Abstract要約: 無限方向下半フレーム(DLSF)に基づくブラインド画像認識フレームワーク DLSF領域では、ノイズの分散を直接推定する。 ノイズレベル15-30における3つの標準グレースケール画像の実験では、平均相対的なノイズ推定誤差は3.28%である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A blind image denoising framework based on an infinite directional lower semi-frame (DLSF) is proposed for additive white Gaussian noise. The model employs scale-dependent directional analysis with resolvent regularization of the unbounded semi-frame operator. Noise variance is estimated directly in the DLSF domain by modeling the joint covariance of four directional difference channels and applying covariance whitening to obtain a chi-square statistic. A lower-tail moment estimator provides blind noise estimation without median absolute deviation. The estimated noise level is incorporated into channel-wise Wiener-type shrinkage and canonical-dual synthesis, followed by a data-consistent iterative reconstruction with automatic stopping. Experiments on three standard grayscale images at noise levels 15--30 yield a mean relative noise-estimation error of 3.28\%, with average improvements of 7.45 dB in PSNR and 0.367 in SSIM. At 30/255 noise, the estimation error decreases to 1.73\%, with a mean PSNR gain of 8.31 dB. Results demonstrate effective noise suppression and structural preservation, with the strongest performance on smooth and edge-dominated images.
• Abstract（参考訳）: 付加的な白色ガウス雑音に対して,無限方向下半フレーム(DLSF)に基づくブラインド画像復調フレームワークを提案する。 このモデルは、非有界半フレーム作用素の分解正則化を伴うスケール依存的な方向解析を用いる。 4方向の差分チャネルの連成共分散をモデル化し,共分散白化を適用して2乗統計値を得ることにより,DLSF領域の雑音分散を直接推定する。 下尾モーメント推定器は、中央値の絶対偏差のないブラインドノイズ推定を提供する。 推定ノイズレベルは、チャネルワイナー型収縮と正準双対合成に組み込まれ、続いてデータ一貫性の反復的再構成と自動停止を行う。 ノイズレベル15-30における3つの標準グレースケール画像の実験では、平均相対ノイズ推定誤差は3.28 %であり、PSNRでは7.45 dB、SSIMでは0.367である。 30/255ノイズでは、推定誤差は1.73\%に減少し、平均PSNRゲインは8.31dBとなる。 その結果, 音の抑制と構造保存が有効であり, 円滑・エッジ優先画像上では最も高い性能を示した。

関連論文リスト

• New Fourth-Order Grayscale Indicator-Based Telegraph Diffusion Model for Image Despeckling [2.3624430033502057]
  拡散特性と波動特性を統合する4階非線形PDEモデルを提案する。 提案モデルの有効性を2次異方性拡散法に対して評価した。 提案手法は,各チャネルに独立にデノナイズ処理を適用することにより,カラー画像の研究に拡張される。
  論文  参考訳（メタデータ） (2025-09-30T09:41:25Z)
• Back to Basics: Fast Denoising Iterative Algorithm [0.0]
  ノイズ低減のための高速反復アルゴリズムであるBack to Basics (BTB)を紹介する。 光コヒーレンス・トモグラフィー(OCT)における白色ガウス雑音の存在下での自然像,ポアソン分布画像デノイング,スペックル抑制の3症例について検討した。 実験結果から,提案手法は画像品質を効果的に向上しうることを示す。
  論文  参考訳（メタデータ） (2023-11-11T18:32:06Z)
• 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)
• SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
  スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。 本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。 提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
  論文  参考訳（メタデータ） (2022-06-09T14:00:26Z)
• Poisson2Sparse: Self-Supervised Poisson Denoising From a Single Image [34.27748767631027]
  本稿では,単一画像の自己教師型学習手法を提案する。 繰り返しニューラルネットワークを用いた画像復調のための従来の反復最適化アルゴリズムを近似する。 提案手法はPSNRとSSIMの両面で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2022-06-04T00:08:58Z)
• 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)
• Learning-based Noise Component Map Estimation for Image Denoising [0.7734726150561088]
  雑音の局所的、パッチ的、標準偏差のマップを推定するためのディープ畳み込みニューラルネットワーク(CNN)に基づく手法を提案する。 推定シグママップを用いた画像復調実験により,PSNRでは最新のCNNベースのブラインド画像復調法を最大6dBで上回った。
  論文  参考訳（メタデータ） (2021-09-24T10:47:55Z)
• Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
  Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。 ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。 デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
  論文  参考訳（メタデータ） (2021-01-08T02:03:25Z)
• Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
  ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。 本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
  論文  参考訳（メタデータ） (2019-08-29T15:54:06Z)

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。