論文の概要: Denoising Textures is a Different Ballgame Altogether!

• arxiv url: http://arxiv.org/abs/2610.22258v1
• Date: Thu, 15 Oct 2026 17:27:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.224522
• Title: Denoising Textures is a Different Ballgame Altogether!
• Title（参考訳）: Denoising Texturesは、ボールゲームとの違いだ!
• Abstract要約: テクスチャデータセット上でのSOTA(State-of-the-art Denoiser)の挙動を分析し,テクスチャデータセット上でのDenoiserの微調整によってのみ,パフォーマンスの改善が可能であることを示す。 驚くべきことに、テクスチャデータセットの微調整によって、モデルが元のデータセットを破滅的に忘れてしまう。
• 参考スコア（独自算出の注目度）: 17.810902944786296
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The human brain effortlessly deciphers colors and textures from visual stimuli and reconstructs the world around us, yet preserving such details remains challenging in image denoising. While significant progress has been made in generic image denoising, the problem of texture denoising has remained relatively under-explored. Fine details, such as intricate patterns and repetitive structures, often suffer from over-smoothing even in deep learning based approaches for denoising. In this paper, we analyze the behavior of state-of-the-art (SOTA) denoisers on texture datasets and show that performance improvements are possible only by fine-tuning the denoisers on the texture datasets. Surprisingly, fine-tuning on texture datasets result in the models catastrophically forgetting the original dataset. These findings highlight the need for specialized treatment of textures in denoising. Since denoising quality directly impacts downstream tasks such as generative modelling, we argue that dedicated texture aware denoisers are essential for faithful texture reconstruction and synthesis.
• Abstract（参考訳）: 人間の脳は視覚刺激から色やテクスチャを強制的に解読し、周囲の世界を再構築します。 一般的な画像復調には大きな進歩があったが、テクスチャ復調の問題はいまだに未発見のままである。 複雑なパターンや反復的な構造といった細部は、深い学習をベースとしたデノイングのアプローチでさえ、過度にスムーシングに悩まされることが多い。 本稿では,テクスチャデータセット上でのSOTA(State-of-the-art Denoiser)の挙動を分析し,テクスチャデータセット上でのDenoiserの微調整によってのみ,パフォーマンスの改善が可能であることを示す。 驚くべきことに、テクスチャデータセットの微調整によって、モデルが元のデータセットを破滅的に忘れてしまう。 これらの知見は, 認知症におけるテクスチャの専門的治療の必要性を浮き彫りにするものである。 音質の認知は, 生成モデリングなどの下流タスクに直接影響を及ぼすので, 忠実なテクスチャ再構築と合成には, 専用のテクスチャ認識型デノイザが不可欠である,と論じる。

関連論文リスト

• Learning to Translate Noise for Robust Image Denoising [38.61470097987608]
  ディープ・ラーニング・テクニックは、現実世界のノイズに分布しないような一般化性能に苦しむことが多い。 そこで,本研究では,元の雑音画像を直接デノナイズするのではなく,変換された雑音で画像をデノナイズする新しいノイズ翻訳フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-06T02:35:44Z)
• Structure Matters: Tackling the Semantic Discrepancy in Diffusion Models for Image Inpainting [18.773724519657446]
  画像塗布用拡散確率モデルのデノイングは、前処理中に画像のテクスチャにノイズを加えることを目的としており、逆デノイング処理により、テクスチャの未加工領域でマスク領域を復元することを目的としている。 意味のある意味論の生成にもかかわらず、既存の芸術は、意味的に密集した未成熟のテクスチャが完全に劣化せず、仮面の領域は拡散過程において純粋なノイズに変化し、それらの大きな違いをもたらすため、仮面と未成熟の領域間の意味的な相違に悩まされる。 従来のテクスチャ・デノナイズ法を改良したStrDiffusionという構造誘導拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-29T00:40:12Z)
• Image Denoising via Style Disentanglement [9.38519460509602]
  そこで本稿では,鮮明な復調機構と優れた性能を兼ね備えた画像復調手法を提案する。 我々はノイズをイメージスタイルの一種とみなし、クリーンな画像から派生したノイズフリーなスタイルを取り入れて除去する。 合成ノイズ除去と実世界の画像デノゲーションデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-09-26T08:29:33Z)
• Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
  本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。 提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。 提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
  論文  参考訳（メタデータ） (2023-03-23T09:33:44Z)
• Robust Deep Ensemble Method for Real-world Image Denoising [62.099271330458066]
  そこで本研究では,実世界の画像認識のための単純なベイズディープアンサンブル(BDE)手法を提案する。 我々のBDEは、最先端の復調法よりも+0.28dBPSNRのゲインを達成している。 我々のBDEは他の画像復元タスクにも拡張でき、ベンチマークデータセット上で+0.30dB、+0.18dB、+0.12dB PSNRゲインを達成することができる。
  論文  参考訳（メタデータ） (2022-06-08T06:19:30Z)
• IDR: Self-Supervised Image Denoising via Iterative Data Refinement [66.5510583957863]
  本稿では,最先端のデノナイジング性能を実現するために,教師なしの実用的なデノナイジング手法を提案する。 本手法では, 1つのノイズ画像と1つのノイズモデルしか必要とせず, 実際の生画像に容易にアクセス可能である。 実世界のアプリケーションにおける生画像復調性能を評価するため,500シーンのシーンを含む高品質な生画像データセットSenseNoise-500を構築した。
  論文  参考訳（メタデータ） (2021-11-29T07:22:53Z)
• Synergy Between Semantic Segmentation and Image Denoising via Alternate Boosting [102.19116213923614]
  ノイズ除去とセグメンテーションを交互に行うためのブーストネットワークを提案する。 我々は,ノイズによるセグメンテーション精度の低下に対処するだけでなく,画素別意味情報によってデノージング能力が向上することを示す。 実験の結果,デノイド画像の品質が大幅に向上し,セグメンテーション精度がクリーン画像に近いことを示した。
  論文  参考訳（メタデータ） (2021-02-24T06:48:45Z)
• Reconstructing the Noise Manifold for Image Denoising [56.562855317536396]
  本稿では,画像ノイズ空間の構造を明示的に活用するcGANを提案する。 画像ノイズの低次元多様体を直接学習することにより、この多様体にまたがる情報のみをノイズ画像から除去する。 我々の実験に基づいて、我々のモデルは既存の最先端アーキテクチャを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-02-11T00:31:31Z)
• Spatial-Adaptive Network for Single Image Denoising [14.643663950015334]
  本稿では,効率的な単一画像ブラインドノイズ除去のための空間適応型雑音除去ネットワーク(SADNet)を提案する。 本手法は, 定量的かつ視覚的に, 最先端の復調法を超越することができる。
  論文  参考訳（メタデータ） (2020-01-28T12:24:17Z)
• Deep Learning on Image Denoising: An overview [92.07378559622889]
  画像認知におけるディープテクニックの比較研究を行っている。 まず、付加的な白色雑音画像に対して、深部畳み込みニューラルネットワーク(CNN)を分類する。 次に、定量的および定性的な分析の観点から、パブリック・デノゲーション・データセットの最先端の手法を比較した。
  論文  参考訳（メタデータ） (2019-12-31T05:03:57Z)

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。