論文の概要: Hybrid++: The Bridge between PDE Models and Deep Learning for Gamma Noise Removal

• arxiv url: http://arxiv.org/abs/2610.08892v1
• Date: Tue, 06 Oct 2026 16:21:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.526572
• Title: Hybrid++: The Bridge between PDE Models and Deep Learning for Gamma Noise Removal
• Title（参考訳）: Hybrid++: ガンマノイズ除去のためのPDEモデルとディープラーニングの橋渡し
• Abstract要約: 乗算ガンマノイズはSARおよび医用超音波画像のノイズ要因の1つである。 このノイズに対処する分極法には、古典的偏微分方程式(PDE)法がある。 本稿では,新しいトレーニング可能な非線形反応拡散アーキテクチャであるHybrid++を提案する。
• 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: Multiplicative gamma noise is one of the dominant noise factors in Synthetic Aperture Radar (SAR) and medical ultrasound images. They are dependent on pixel level noises due to which they are highly varying across the image and harder to handle as compared to additive noise. The denoising methods to address this noise currently include classical partial differential equation (PDE) methods which are good for interpretation but lack the restoration ability as compared to the state-of-the-art models while deep convolutional networks like DnCNN achieve high performance but at the cost of transparency due to which practitioners are skeptical to use them in high-risk critical fields like medicine. This paper presents Hybrid++, a novel trainable nonlinear reaction-diffusion architecture that addresses both the concerns - staying interpretable while offering performance close to huge black-box models. It combines a fully learnable PDE initialization with a 3-stage reaction-diffusion network having 64-channel multiscale filter banks, 4-layer Squeeze-and-Excitation attention-based influence functions and a 64-dimensional noise level embedding. It uses a two-phase training strategy, stage-wise optimization followed by joint end-to-end refinement which enables co-adaptation of all learnable parameters. On the FoE benchmark, Hybrid++ substantially improves over classical PDE, BM3D and the original TNRD baselines. In the severe-noise setting L=1, it comes within 0.23 dB PSNR of a separately trained DnCNN while using only about 8% of its parameters. We therefore position Hybrid++ not as a universal state-of-the-art image restoration backbone, but as a compact, physically structured reaction-diffusion model for multiplicative gamma noise.
• Abstract（参考訳）: SAR(Synthetic Aperture Radar)と医用超音波画像において,乗算ガンマノイズが支配的なノイズ要因の1つである。 画素レベルのノイズは、画像間で非常に異なるため、加法ノイズに比べて処理が難しいためである。 現在、このノイズに対処する方法には古典的偏微分方程式(PDE)法が含まれており、最先端のモデルと比較して復元能力に欠けており、DnCNNのような深層畳み込みネットワークは高い性能を達成しているが、医療のようなリスクの高い分野において、実践者がそれを使用することに懐疑的な透明性のコストがかかる。 提案するHybrid++は、トレーニング可能な非線形反応拡散アーキテクチャで、両方の懸念に対処し、巨大なブラックボックスモデルに近い性能を提供しながら解釈可能である。 完全学習可能なPDE初期化と64チャンネルのマルチスケールフィルタバンクと4層Squeeze-and-Excitationアテンションに基づく影響関数と64次元ノイズレベル埋め込みを備えた3段階の反応拡散ネットワークを組み合わせる。 2段階のトレーニング戦略、段階的な最適化、そして全ての学習可能なパラメータの共適応を可能にするジョイント・ツー・エンド・リファインメントを使用する。 FoEベンチマークでは、Hybrid++は従来のPDE、BM3DおよびオリジナルのTNRDベースラインよりも大幅に改善されている。 厳しい雑音設定L=1では、パラメータの約8%しか使用せず、個別に訓練されたDnCNNの0.23dB PSNR以内となる。 そこで我々は、Hybrid++を汎用的な画像復元バックボーンではなく、乗法ガンマノイズに対するコンパクトで物理的に構造化された反応拡散モデルとして位置づける。

関連論文リスト

• NM-FlowGAN: Modeling sRGB Noise without Paired Images using a Hybrid Approach of Normalizing Flows and GAN [9.81778202920426]
  NM-FlowGANは、GANと正規化フローの両方の長所を利用するハイブリッドアプローチである。 本手法は, カメラタイプやISO設定などの手軽に取得可能なパラメータなど, クリーンな画像とノイズ特性に影響を与える要因を用いてノイズを合成する。 我々のNM-FlowGANは、sRGBノイズ合成タスクにおいて、他のベースラインよりも優れています。
  論文  参考訳（メタデータ） (2023-12-15T09:09:25Z)
• ExposureDiffusion: Learning to Expose for Low-light Image Enhancement [87.08496758469835]
  この研究は、拡散モデルと物理ベースの露光モデルとをシームレスに統合することで、この問題に対処する。 提案手法は,バニラ拡散モデルと比較して性能が大幅に向上し,推論時間を短縮する。 提案するフレームワークは、実際のペア付きデータセット、SOTAノイズモデル、および異なるバックボーンネットワークの両方で動作する。
  論文  参考訳（メタデータ） (2023-07-15T04:48:35Z)
• Denoising Diffusion Models for Plug-and-Play Image Restoration [135.6359475784627]
  本稿では,従来のプラグアンドプレイ方式を拡散サンプリングフレームワークに統合したDiffPIRを提案する。 DiffPIRは、差別的なガウスのデノイザーに依存するプラグアンドプレイIR法と比較して、拡散モデルの生成能力を継承することが期待されている。
  論文  参考訳（メタデータ） (2023-05-15T20:24:38Z)
• Degradation-Noise-Aware Deep Unfolding Transformer for Hyperspectral Image Denoising [9.119226249676501]
  ハイパースペクトル画像(HSI)は、帯域幅が狭いため、ノイズが多いことが多い。 HSIデータキューブのノイズを低減するため、モデル駆動型と学習型の両方の復調アルゴリズムが提案されている。 本稿では,これらの問題に対処するDNA-Net(Degradation-Noise-Aware Unfolding Network)を提案する。
  論文  参考訳（メタデータ） (2023-05-06T13:28:20Z)
• Deep Convolutional Framelet Denoising for Panoramic by Mixed Wavelet Integration [0.0]
  この領域で最も重要な課題の1つは、常に画像ノイズを下げることである。 本稿では,この波形とD4ウェーブレットを高エネルギー濃度で結合し,U-Netニューラルネットワークアーキテクチャを用いることを提案する。 他のデータセットによる研究によると、ワンウェーブネットワークの有効性は0.5%から1.2%に増加した。
  論文  参考訳（メタデータ） (2023-01-25T11:00:32Z)
• Multi-stage image denoising with the wavelet transform [125.2251438120701]
  深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。 動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
  論文  参考訳（メタデータ） (2022-09-26T03:28:23Z)
• Unsupervised Single Image Super-resolution Under Complex Noise [60.566471567837574]
  本稿では,一般のSISRタスクを未知の劣化で扱うためのモデルベースunsupervised SISR法を提案する。 提案手法は, より小さなモデル (0.34M vs. 2.40M) だけでなく, より高速な技術 (SotA) 法 (約1dB PSNR) の現況を明らかに超えることができる。
  論文  参考訳（メタデータ） (2021-07-02T11:55:40Z)
• Designing a Practical Degradation Model for Deep Blind Image Super-Resolution [134.9023380383406]
  単一画像スーパーレゾリューション (sisr) 法は, 推定劣化モデルが実画像から逸脱した場合はうまく動作しない。 本稿では, ランダムにシャッフルされたブラー, ダウンサンプリング, ノイズ劣化からなる, より複雑で実用的な劣化モデルを提案する。
  論文  参考訳（メタデータ） (2021-03-25T17:40:53Z)

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。