Deep Convolutional Framelet Denoising for Panoramic by Mixed Wavelet Integration

要約

前処理中の品質の向上とノイズの除去は、画像処理における最も重要なステップの 1 つです。
X 線画像は、光子が原子に衝突し、散乱ノイズ吸収の変化によって生成されます。
このノイズはグラフの医療品質の低下につながり、場合によっては繰り返しが発生し、それによって患者の実効線量が増加します。
この分野における最も重要な課題の 1 つは、常に画像ノイズを低減することです。
BM3d、ローパス フィルター、オートエンコーダーなどの技術がこのステップを踏みました。
構造設計と高い反復率により、多様なアーキテクチャを採用したニューラル ネットワークは、過去 10 年間にわたって、従来の BM3D やローパス フィルターを上回る満足のいく結果を伴うノイズ低減を達成してきました。
ハンケル行列とニューラル ネットワークの組み合わせは、これらの構成の 1 つを表します。
ハンケル行列は、非ローカル行列を利用して、個々の値をローカル成分と非ローカル成分に分離することにより、ローカル円を識別することを目的としています。
非ローカル行列は、Wave または DCT を使用して作成できます。
この論文では、エネルギー集中がより高いため波形を Daubechies (D4) ウェーブレットと統合することを提案し、波形を各ステージで排他的に組み込む u-Net ニューラル ネットワーク アーキテクチャを採用しています。
結果は PSNR および SSIM 基準を使用して評価され、結果はさまざまな波形を使用して検証されました。
他のデータセットで行われた研究によると、1 波ネットワークの有効性は 0.5% から 1.2% に増加しました。

要約(オリジナル)

Enhancing quality and removing noise during preprocessing is one of the most critical steps in image processing. X-ray images are created by photons colliding with atoms and the variation in scattered noise absorption. This noise leads to a deterioration in the graph’s medical quality and, at times, results in repetition, thereby increasing the patient’s effective dose. One of the most critical challenges in this area has consistently been lowering the image noise. Techniques like BM3d, low-pass filters, and Autoencoder have taken this step. Owing to their structural design and high rate of repetition, neural networks employing diverse architectures have, over the past decade, achieved noise reduction with satisfactory outcomes, surpassing the traditional BM3D and low-pass filters. The combination of the Hankel matrix with neural networks represents one of these configurations. The Hankel matrix aims to identify a local circle by separating individual values into local and non-local components, utilizing a non-local matrix. A non-local matrix can be created using the wave or DCT. This paper suggests integrating the waveform with the Daubechies (D4) wavelet due to its higher energy concentration and employs the u-Net neural network architecture, which incorporates the waveform exclusively at each stage. The outcomes were evaluated using the PSNR and SSIM criteria, and the outcomes were verified by using various waves. The effectiveness of a one-wave network has increased from 0.5% to 1.2%, according to studies done on other datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google