論文の概要: A Study of the Limits of Collaborative DCT-Based Image Denoising via Interpretable Neural Networks

• arxiv url: http://arxiv.org/abs/2609.29334v1
• Date: Thu, 24 Sep 2026 10:07:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.835662
• Title: A Study of the Limits of Collaborative DCT-Based Image Denoising via Interpretable Neural Networks
• Title（参考訳）: 解釈型ニューラルネットワークによる協調的DCT画像デノイングの限界に関する検討
• Abstract要約: DeepBM3Dは、非ローカルなパッチグループ化、DCTドメインフィルタリング、BM3Dにインスパイアされたパイプライン内でのマルチステージ改善を組み合わせた、コンパクトで完全な差別化可能なアーキテクチャである。 実験により、DeepBM3Dは古典的およびハイブリッドなベースラインよりも改善され、FFDNetと低音と中音のレベルで競合し続け、特に反復的なテクスチャでよく機能することが示された。
• 参考スコア（独自算出の注目度）: 1.1470070927586016
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Image denoising remains a fundamental problem in image restoration, with applications in photography, biomedical, and scientific imaging. Modern deep neural networks achieve strong performance by learning powerful image priors, but often rely on large black-box models with limited interpretability. In contrast, DCT-based sliding-window and collaborative filtering methods such as BM3D offer clear algorithmic structure, but depend on handcrafted and non-differentiable operations. This work studies how far such structured collaborative filtering principles can be pushed when reformulated as trainable models. We introduce DeepBM3D, a compact fully differentiable architecture that combines non-local patch grouping, DCT-domain filtering, and multi-stage refinement within a BM3D-inspired pipeline. Lightweight convolutional feature extractors guide patch grouping, while filtering is performed through learned Wiener weights in the DCT domain. Experiments show that DeepBM3D improves over classical and hybrid baselines, remains competitive with FFDNet at low and moderate noise levels, and performs particularly well on repetitive textures.
• Abstract（参考訳）: 画像復号化は、写真、バイオメディカル、科学画像など、画像修復の基本的な問題である。 現代のディープニューラルネットワークは、強力な画像事前学習によって強力なパフォーマンスを達成するが、多くの場合、解釈可能性に制限のある大きなブラックボックスモデルに依存している。 対照的に、DCTベースのスライドウインドウやBM3Dのような協調フィルタリング手法は明確なアルゴリズム構造を提供するが、手工芸品や微分不可能な操作に依存している。 本研究では、このような構造化された協調フィルタリングの原則が、トレーニング可能なモデルとして再編成される際に、どこまで推し進めるかを考察する。 我々は,非ローカルなパッチグループ化,DCTドメインフィルタリング,BM3Dにインスパイアされたパイプライン内の多段階改良を組み合わせた,コンパクトで完全微分可能なアーキテクチャであるDeepBM3Dを紹介する。 軽量畳み込み特徴抽出器はパッチグループ化を誘導し、DCT領域の学習されたウィナー重みを通してフィルタリングを行う。 実験により、DeepBM3Dは古典的およびハイブリッドなベースラインよりも改善され、FFDNetと低音と中音のレベルで競合し続け、特に反復的なテクスチャでよく機能することが示された。

関連論文リスト

• A deep dictionary network-based foundation model for ultra-low-dose CT denoising [49.70293041079032]
  超低線量CT(Ultra-low-Dose Computed Tomography, ULDCT)は放射線照射を減少させるが、診断画像の品質を低下させる重音に悩まされる。 既存のディープラーニングに基づくdenoising法は、通常、臓器固有の方法で訓練される。 深部辞書ネットワーク(DDN)をベースとしたアーキテクチャ可能な基盤モデルを提案する。
  論文  参考訳（メタデータ） (2026-09-11T05:14:08Z)
• Deep Unfolded BM3D: Unrolling Non-local Collaborative Filtering into a Trainable Neural Network [0.0]
  BM3Dは、非局所的な自己相似性プリミティブをデノナイジングに利用しているが、固定パラメータに依存している。 U-Netのような深層モデルはより柔軟であるが、解釈可能性に欠け、ノイズレシエーションをまたいだ一般化に失敗することが多い。 我々は,BM3Dを学習可能なU-Netデノイザに置き換えることで,BM3Dをトレーニング可能なアーキテクチャにアンロールするハイブリッドフレームワークであるDeep Unfolded BM3D(DU-BM3D)を提案する。
  論文  参考訳（メタデータ） (2025-11-15T15:06:47Z)
• Depth Map Denoising Network and Lightweight Fusion Network for Enhanced 3D Face Recognition [61.27785140017464]
  本稿では,ノイズを低減するために,DIIF(Denoising Implicit Image Function)に基づくDMDNet(Depth Map Denoising Network)を提案する。 さらに,光深度と標準核融合ネットワーク(LDNFNet)と呼ばれる強力な認識ネットワークを設計し,異なるモード間の特徴と相補的特徴を学習する。
  論文  参考訳（メタデータ） (2024-01-01T10:46:42Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image Denoising [50.039949798156826]
  本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。 ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。 次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
  論文  参考訳（メタデータ） (2022-07-09T13:35:12Z)
• DCT2net: an interpretable shallow CNN for image denoising [4.7718339202518685]
  この研究は、よく知られたDCT画像復調アルゴリズムに焦点をあてて、画像からのノイズ除去の問題に取り組む。 ディープ畳み込みニューラルネットワーク(CNN)は従来のニューラルネットワークよりも優れており、信号処理方法の魅力が低下している。 人工ノイズ画像の実験では、2層DCT2netがBM3Dに匹敵する結果を示し、DnCNNアルゴリズムは10以上の層で構成されている。
  論文  参考訳（メタデータ） (2021-07-31T09:58:57Z)
• A modular U-Net for automated segmentation of X-ray tomography images in composite materials [0.0]
  ディープラーニングは、物質科学の応用を含む多くの画像処理タスクで成功している。 本稿では, 3相ガラス繊維強化ポリアミド66の3次元トモグラフィー画像の分割を行うために, UNetのモジュラー解釈を提案し, 訓練した。 注釈付き層は10層に過ぎず, 浅いU-Netを使用すれば, より深い層よりも優れた結果が得られることが観察された。
  論文  参考訳（メタデータ） (2021-07-15T17:15:24Z)
• The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
  本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。 次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。 そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-16T08:17:44Z)

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。