SDE-based Multiplicative Noise Removal

要約

スペックル ノイズまたはペッパー ノイズとしても知られる乗算ノイズは、一般に合成開口レーダー (SAR)、レーザー、または光学レンズによって生成される画像に影響を与えます。
通常、熱プロセスや外部要因から発生する加算ノイズとは異なり、乗算ノイズはシステムに固有であり、拡散反射の変動から発生します。
これらの変動により、さまざまな大きさの同じ信号の複数のコピーが結合されます。
したがって、斑点除去、つまり乗算ノイズの除去には、加法ノイズ除去に使用される技術とは異なる技術が必要になります。
この論文では、確率微分方程式に基づく拡散モデルを使用して乗法ノイズに対処する新しいアプローチを提案します。
乗算ノイズが対数領域の幾何ブラウン運動プロセスとして効果的にモデル化できることを示します。
フォッカー・プランク方程式を利用して、画像ノイズ除去に対応する逆プロセスを導き出します。
私たちの方法を検証するために、2 つの異なるデータセットに対して広範な実験を実施し、古典的な信号処理技術と現代の CNN ベースのノイズ除去モデルの両方に対する私たちのアプローチを比較しました。
我々の結果は、提案された方法が、PSNR や SSIM などの従来のメトリクスで競争力のあるパフォーマンスを維持しながら、FID や LPIPS などの知覚ベースのメトリクスでは既存の方法を大幅に上回るパフォーマンスを示していることを示しています。

要約(オリジナル)

Multiplicative noise, also known as speckle or pepper noise, commonly affects images produced by synthetic aperture radar (SAR), lasers, or optical lenses. Unlike additive noise, which typically arises from thermal processes or external factors, multiplicative noise is inherent to the system, originating from the fluctuation in diffuse reflections. These fluctuations result in multiple copies of the same signal with varying magnitudes being combined. Consequently, despeckling, or removing multiplicative noise, necessitates different techniques compared to those used for additive noise removal. In this paper, we propose a novel approach using Stochastic Differential Equations based diffusion models to address multiplicative noise. We demonstrate that multiplicative noise can be effectively modeled as a Geometric Brownian Motion process in the logarithmic domain. Utilizing the Fokker-Planck equation, we derive the corresponding reverse process for image denoising. To validate our method, we conduct extensive experiments on two different datasets, comparing our approach to both classical signal processing techniques and contemporary CNN-based noise removal models. Our results indicate that the proposed method significantly outperforms existing methods on perception-based metrics such as FID and LPIPS, while maintaining competitive performance on traditional metrics like PSNR and SSIM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google