Unleashing the Power of Self-Supervised Image Denoising: A Comprehensive Review

要約

ディープラーニングの出現により、画像のノイズ除去技術に革命的な変化がもたらされました。
ただし、現実世界のシナリオで教師あり手法のノイズクリーンペアを取得するという継続的な課題は依然として手ごわいものであり、より実用的な自己教師あり画像ノイズ除去の探求が必要です。
このペーパーでは、この課題に対処するための効果的なソリューションを提供する自己監視型画像ノイズ除去手法に焦点を当てます。
私たちの包括的なレビューでは、自己監視型画像ノイズ除去アプローチの最新の進歩を徹底的に分析し、それらを一般的な手法、ブラインド スポット ネットワーク (BSN) ベースの手法、トランスフォーマー ベースの手法という 3 つの異なるクラスに分類しています。
各クラスについて、実際の応用例とともに簡潔な理論的分析を提供します。
これらの方法の有効性を評価するために、古典的なアルゴリズムをベンチマークとして利用して、さまざまなデータセットに対する定量的および定性的な実験結果を提示します。
さらに、これらの手法の現在の限界について批判的に議論し、将来の研究の有望な方向性を提案します。
自己教師あり画像ノイズ除去の最近の開発の詳細な概要を提供することにより、このレビューは、この分野の研究者や実務者にとって貴重なリソースとして機能し、この新たな領域のより深い理解を促進し、さらなる進歩を促すことになります。

要約(オリジナル)

The advent of deep learning has brought a revolutionary transformation to image denoising techniques. However, the persistent challenge of acquiring noise-clean pairs for supervised methods in real-world scenarios remains formidable, necessitating the exploration of more practical self-supervised image denoising. This paper focuses on self-supervised image denoising methods that offer effective solutions to address this challenge. Our comprehensive review thoroughly analyzes the latest advancements in self-supervised image denoising approaches, categorizing them into three distinct classes: General methods, Blind Spot Network (BSN)-based methods, and Transformer-based methods. For each class, we provide a concise theoretical analysis along with their practical applications. To assess the effectiveness of these methods, we present both quantitative and qualitative experimental results on various datasets, utilizing classical algorithms as benchmarks. Additionally, we critically discuss the current limitations of these methods and propose promising directions for future research. By offering a detailed overview of recent developments in self-supervised image denoising, this review serves as an invaluable resource for researchers and practitioners in the field, facilitating a deeper understanding of this emerging domain and inspiring further advancements.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google