Zero-Shot Noise2Noise: Efficient Image Denoising without any Data

要約

タイトル: ゼロショット・ノイズ2ノイズ：データを必要としない効率的な画像ノイズ除去
要約:
– 自己監督型のニューラルネットワークは、最近、優れた画像ノイズ除去の性能を発揮している。
– しかし、現在のデータセットフリーの方法は、計算コストが高い、ノイズモデルが必要、または画像品質が不十分である。
– この研究では、ノイズ分布についてのトレーニングデータや知識がなくても、単純な2層ネットワークにより、低コンピューテーションコストで高品質の画像ノイズ除去が可能であることを示す。
– 当研究の方法は、Noise2NoiseおよびNeighbor2Neighborによってインスパイアされており、ピクセルごとに独立したノイズの除去に適切である。
– 人工、実世界のカメラ、および顕微鏡のノイズに関する実験結果により、ZS-N2N（ゼロショット・ノイズ2ノイズ）は、既存のデータセットフリーの方法よりも低コストで優れた性能を発揮し、データの少ない環境や限られた計算リソースでの使用に適していることが示された。
– 当研究の実装のデモ、コード、ハイパーパラメータなどは、以下のColabノートブックで提供されている: https://colab.research.google.com/drive/1i82nyizTdszyHkaHBuKPbWnTzao8HF9b

要約(オリジナル)

Recently, self-supervised neural networks have shown excellent image denoising performance. However, current dataset free methods are either computationally expensive, require a noise model, or have inadequate image quality. In this work we show that a simple 2-layer network, without any training data or knowledge of the noise distribution, can enable high-quality image denoising at low computational cost. Our approach is motivated by Noise2Noise and Neighbor2Neighbor and works well for denoising pixel-wise independent noise. Our experiments on artificial, real-world camera, and microscope noise show that our method termed ZS-N2N (Zero Shot Noise2Noise) often outperforms existing dataset-free methods at a reduced cost, making it suitable for use cases with scarce data availability and limited computational resources. A demo of our implementation including our code and hyperparameters can be found in the following colab notebook: https://colab.research.google.com/drive/1i82nyizTdszyHkaHBuKPbWnTzao8HF9b

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI