Edge-preserving Image Denoising via Multi-scale Adaptive Statistical Independence Testing

要約

エッジ検出は画像処理において非常に重要であるが、既存の方法ではエッジマップが過度に詳細になり、鮮明さに影響を与えることが多い。固定ウィンドウによる統計的検定は、スケールの不一致や計算の冗長性といった問題に直面している。これらに対処するために、我々は新しいマルチスケール適応的独立性検定に基づくエッジ検出とノイズ除去法（EDD-MAIT）を提案する。勾配駆動型適応窓戦略により、窓サイズを動的に調整し、ディテールの保存とノイズ抑制を改善する。EDD-MAITは、BSDS500およびBIPEDデータセットにおいて、Fスコア、MSE、PSNRの改善、実行時間の短縮により、従来の手法や学習ベースの手法を凌駕し、より優れた頑健性、精度、効率を達成する。また、ガウスノイズに対する頑健性も示し、ノイズの多い環境でも正確できれいなエッジマップを生成する。

要約(オリジナル)

Edge detection is crucial in image processing, but existing methods often produce overly detailed edge maps, affecting clarity. Fixed-window statistical testing faces issues like scale mismatch and computational redundancy. To address these, we propose a novel Multi-scale Adaptive Independence Testing-based Edge Detection and Denoising (EDD-MAIT), a Multi-scale Adaptive Statistical Testing-based edge detection and denoising method that integrates a channel attention mechanism with independence testing. A gradient-driven adaptive window strategy adjusts window sizes dynamically, improving detail preservation and noise suppression. EDD-MAIT achieves better robustness, accuracy, and efficiency, outperforming traditional and learning-based methods on BSDS500 and BIPED datasets, with improvements in F-score, MSE, PSNR, and reduced runtime. It also shows robustness against Gaussian noise, generating accurate and clean edge maps in noisy environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL