論文の概要: [Re] Pure Noise to the Rescue of Insufficient Data

• arxiv url: http://arxiv.org/abs/2611.01295v1
• Date: Sat, 31 Oct 2026 21:49:39 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:16:38.354132
• Title: [Re] Pure Noise to the Rescue of Insufficient Data
• Title（参考訳）: 不十分なデータの回収に対する[レ]純音
• Abstract要約: 我々は、(i)純雑音によるオーバーサンプリングは、マイノリティクラス精度を改善して一般化を改善するという主要な主張を再現し、(ii)提案されたバッチ正規化(BN)法はベースラインを上回り、(iii)この改善はデータ拡張全体で堅牢である。 また, 実験結果からは, (4) 純雑音画像の追加により, バランスの取れたトレーニングデータの分類が向上する可能性が示唆された。
• 参考スコア（独自算出の注目度）: 0.02696200836796893
• License:
• Abstract: We examine the main claims of Zada, Benou, and Irani (2021), which states that in an image classification task with imbalanced training data, (i) using pure noise to augment minority-class images encourages generalization by improving minority-class accuracy. This method is paired with (ii) a new batch normalization layer that normalizes noise images using affine parameters learned from natural images, which improves the model's performance. Moreover, (iii) this improvement is robust to varying levels of data augmentation. Finally, the authors propose that (iv) adding pure noise images can improve classification even on balanced training data. We implemented the training pipeline from the description of the paper using PyTorch and integrated authors' code snippets for sampling pure noise images and batch normalizing noise and natural images separately. We reproduced the main claims that (i) oversampling with pure noise improves generalization by improving the minority-class accuracy, (ii) the proposed batch normalization (BN) method outperforms baselines, (iii) and this improvement is robust across data augmentations. Our results also support that (iv) adding pure noise images can improve classification on balanced training data. However, additional experiments suggest that the performance improvement from OPeN may be more orthogonal to the improvement caused by a bigger network or more complex data augmentation.
• Abstract（参考訳）: 我々は,Zada, Benou, and Irani (2021)の主な主張を考察し,不均衡なトレーニングデータを用いた画像分類課題について述べる。 (i)純雑音を用いてマイノリティ階級の画像を増大させ、マイノリティ階級の精度を向上させることで一般化を促進する。 この方法はペアです 二 自然画像から学習したアフィンパラメータを用いて雑音画像の正規化を行う新しいバッチ正規化層により、モデルの性能が向上する。 さらに 3) この改善は、様々なレベルのデータ拡張に対して堅牢である。 最後に著者らが提案する。 (4)純雑音画像の追加は、バランスの取れたトレーニングデータにおいても分類を改善することができる。 我々は、PyTorchと著者のコードスニペットを統合して、純粋なノイズ画像とバッチ正規化ノイズと自然画像を別々にサンプリングし、論文の記述からトレーニングパイプラインを実装した。 私たちはその主張を再現した (i)純雑音によるオーバーサンプリングは、マイノリティ階級の精度を向上させることにより一般化を改善する。 (ii)提案されたバッチ正規化(BN)メソッドはベースラインを上回っている。 そして、この改善はデータ拡張全体で堅牢です。 私たちの結果はそれもサポートしています。 (4)純雑音画像を追加することで、バランスの取れたトレーニングデータの分類を改善することができる。 しかし、OPeNによる性能改善は、より大きなネットワークやより複雑なデータ拡張による改善と直交する可能性が示唆された。

関連論文リスト

• NoiseRater: Meta-Learned Noise Valuation for Diffusion Model Training [81.58321000203712]
  NoiseRaterは、拡散モデルトレーニングにおけるインスタンスレベルのノイズ評価のためのメタラーニングフレームワークである。 NoiseRaterは、重要度スコアをデータとタイムステップで条件付けられた個々のノイズ実現に割り当てる。 FFHQとImageNetの実験では、すべてのノイズサンプルが等しく寄与するわけではない。
  論文  参考訳（メタデータ） (2026-05-02T19:43:16Z)
• Self-Calibrated Variance-Stabilizing Transformations for Real-World Image Denoising [19.08732222562782]
  教師付き深層学習が画像認知のための選択方法となっている。 一般の信条とは対照的に,ガウスノイズ除去に特化するネットワークを有効活用し,実世界の画像復調に有効であることを示す。
  論文  参考訳（メタデータ） (2024-07-24T16:23:46Z)
• Blue noise for diffusion models [50.99852321110366]
  本稿では,画像内および画像間の相関雑音を考慮した拡散モデルを提案する。 我々のフレームワークは、勾配流を改善するために、1つのミニバッチ内に画像間の相関を導入することができる。 本手法を用いて,各種データセットの質的,定量的な評価を行う。
  論文  参考訳（メタデータ） (2024-02-07T14:59:25Z)
• Batch-less stochastic gradient descent for compressive learning of deep regularization for image denoising [0.0]
  クリーンな信号や画像のデータベースから取得した事前情報の助けを借りて飾ることの問題点を考察する。 ディープニューラルネットワーク(DNN)では、大規模なトレーニングデータベースから複雑な分布を復元することができる。 深部正規化パラメータの回復のための2種類の勾配降下法(SGD)を提案する。
  論文  参考訳（メタデータ） (2023-10-02T11:46:11Z)
• Neural Priming for Sample-Efficient Adaptation [92.14357804106787]
  ニューラルプライミング(Neural Priming)は、大規模な事前学習されたモデルを分散シフトや下流タスクに適応させる手法である。 ニューラルプライミングは、LAION-2Bほどの大きさの事前訓練であっても、テスト時に行うことができる。
  論文  参考訳（メタデータ） (2023-06-16T21:53:16Z)
• 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)
• NLIP: Noise-robust Language-Image Pre-training [95.13287735264937]
  雑音調和と雑音補完という2つの手法を用いて事前学習の安定化を図るため,NLIPの原理的手法を提案する。 我々のNLIPは、画像テキスト事前学習における一般的なノイズ効果をより効率的に軽減することができる。
  論文  参考訳（メタデータ） (2022-12-14T08:19:30Z)
• 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)
• Pure Noise to the Rescue of Insufficient Data: Improving Imbalanced Classification by Training on Random Noise Images [12.91269560135337]
  我々は、この制限を緩和する驚くほど単純で効果的な方法を提案する。 データ拡張のための付加雑音や逆雑音の一般的な使用とは異なり、純粋ランダムノイズ画像の直接トレーニングを提案する。 本稿では,同一ネットワーク内の自然画像に加えて,純雑音画像のトレーニングを可能にするDAR-BNを新たに提案する。
  論文  参考訳（メタデータ） (2021-12-16T11:51:35Z)

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。