Unsupervised Denoising for Signal-Dependent and Row-Correlated Imaging Noise

要約

顕微鏡画像の正確な分析は、ノイズの存在によって妨げられます。
このノイズは通常、信号に依存しており、多くの場合、ピクセルの行または列に沿ってさらに相関関係があります。
現在の自己および教師なしノイズ除去器は信号依存ノイズに対処できますが、行または列相関のあるノイズを確実に除去できるものはありません。
ここでは、行相関性と信号依存性のあるイメージング ノイズを処理できる、完全に教師なしの深層学習ベースのデノイザーを初めて紹介します。
私たちのアプローチでは、特別に設計された自己回帰デコーダーを備えた変分オートエンコーダー (VAE) を使用します。
このデコーダは、行相関ノイズと信号依存ノイズをモデル化できますが、基礎となるクリーンな信号を独立してモデル化することはできません。
したがって、VAE はクリーンな信号情報のみを含む潜在変数を生成し、これらは提案されている 2 番目のデコーダ ネットワークを使用して画像空間にマッピングされます。
私たちの方法は、事前にトレーニングされたノイズ モデルを必要とせず、ペアになっていないノイズのあるデータを使用して最初からトレーニングできます。
我々は、行または列相関の信号依存ノイズを持つ、さまざまなイメージングモダリティとセンサータイプからの顕微鏡データセットに対するアプローチのベンチマークを行い、既存の自己および教師なしノイズ除去器よりも優れていることを示します。

要約(オリジナル)

Accurate analysis of microscopy images is hindered by the presence of noise. This noise is usually signal-dependent and often additionally correlated along rows or columns of pixels. Current self- and unsupervised denoisers can address signal-dependent noise, but none can reliably remove noise that is also row- or column-correlated. Here, we present the first fully unsupervised deep learning-based denoiser capable of handling imaging noise that is row-correlated as well as signal-dependent. Our approach uses a Variational Autoencoder (VAE) with a specially designed autoregressive decoder. This decoder is capable of modeling row-correlated and signal-dependent noise but is incapable of independently modeling underlying clean signal. The VAE therefore produces latent variables containing only clean signal information, and these are mapped back into image space using a proposed second decoder network. Our method does not require a pre-trained noise model and can be trained from scratch using unpaired noisy data. We benchmark our approach on microscopy datatsets from a range of imaging modalities and sensor types, each with row- or column-correlated, signal-dependent noise, and show that it outperforms existing self- and unsupervised denoisers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google