Self-Calibrated Variance-Stabilizing Transformations for Real-World Image Denoising

要約

教師あり深層学習は、画像のノイズ除去に最適な方法となっています。
これには、ノイズの多い画像とクリーンな画像のペアで構成される大規模なデータセットに対するニューラル ネットワークのトレーニングが含まれます。
ただし、対象となるアプリケーションに固有のトレーニング データが必要なため、ノイズ除去ネットワークの広範な使用が制約されます。
最近、現実的なきれいな画像とノイズのある画像のペアを人工的に生成するか、ノイズのある画像のみをトレーニングすることで、この困難を克服するいくつかのアプローチが開発されました。
この論文では、一般的な考えに反して、追加のトレーニングがなくても、ガウス ノイズの除去に特化したノイズ除去ネットワークを効率的に利用して、現実世界の画像ノイズ除去を行うことができることを示します。
これを実現するには、適切な分散安定化変換 (VST) を事前に適用する必要があります。
このようなモデルフリー VST の学習のために、Noise2VST と呼ばれるアルゴリズムを提案します。
私たちのアプローチでは、入力ノイズのある画像と既製のガウス デノイザーのみが必要です。
私たちは広範な実験を通じて、特定のクリーン/ノイズのペアが存在しない状態でトレーニングされた既存の方法と比較した Noise2VST の効率と優位性を実証します。

要約(オリジナル)

Supervised deep learning has become the method of choice for image denoising. It involves the training of neural networks on large datasets composed of pairs of noisy and clean images. However, the necessity of training data that are specific to the targeted application constrains the widespread use of denoising networks. Recently, several approaches have been developed to overcome this difficulty by whether artificially generating realistic clean/noisy image pairs, or training exclusively on noisy images. In this paper, we show that, contrary to popular belief, denoising networks specialized in the removal of Gaussian noise can be efficiently leveraged in favor of real-world image denoising, even without additional training. For this to happen, an appropriate variance-stabilizing transform (VST) has to be applied beforehand. We propose an algorithm termed Noise2VST for the learning of such a model-free VST. Our approach requires only the input noisy image and an off-the-shelf Gaussian denoiser. We demonstrate through extensive experiments the efficiency and superiority of Noise2VST in comparison to existing methods trained in the absence of specific clean/noisy pairs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google