Real-World Denoising via Diffusion Model

要約

タイトル：実世界ノイズ除去における拡散モデル

要約：

– 実世界の画像ノイズ除去は、自然環境でキャプチャされたノイズのある画像からクリーンな画像を復元するために行われる非常に重要な画像処理問題である。
– 近年、拡散モデルは画像生成分野で非常に有望な結果を達成し、以前の生成モデルを凌駕している。
– しかし、適切な位置にノイズを追加することが難しいため、画像ノイズ除去の分野ではあまり使用されていない。
– 拡散モデルにインスピレーションを受けて、この論文では実世界画像ノイズ除去に使用できる新しい一般的なノイズ除去拡散モデルを提案する。
– 線形補間を用いた拡散プロセスを導入し、中間ノイズ画像は元のクリーン画像と対応する実世界のノイズ画像から補間されるため、この拡散モデルはノイズレベルを扱うことができる。
– 特に、この拡散モデルに対する2つのサンプリングアルゴリズムも導入されている。
– 実験結果は、提案されたシンプルなCNNs Unetモデルを使用した方法がTransformerアーキテクチャと比較して優れた結果を達成したことが示されている。
– 実世界ノイズ除去ベンチマークにおける定量的・定性的評価の両方で、提案された拡散モデルが最先端の手法にほぼ追随する結果を示している。

要約(オリジナル)

Real-world image denoising is an extremely important image processing problem, which aims to recover clean images from noisy images captured in natural environments. In recent years, diffusion models have achieved very promising results in the field of image generation, outperforming previous generation models. However, it has not been widely used in the field of image denoising because it is difficult to control the appropriate position of the added noise. Inspired by diffusion models, this paper proposes a novel general denoising diffusion model that can be used for real-world image denoising. We introduce a diffusion process with linear interpolation, and the intermediate noisy image is interpolated from the original clean image and the corresponding real-world noisy image, so that this diffusion model can handle the level of added noise. In particular, we also introduce two sampling algorithms for this diffusion model. The first one is a simple sampling procedure defined according to the diffusion process, and the second one targets the problem of the first one and makes a number of improvements. Our experimental results show that our proposed method with a simple CNNs Unet achieves comparable results compared to the Transformer architecture. Both quantitative and qualitative evaluations on real-world denoising benchmarks show that the proposed general diffusion model performs almost as well as against the state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI