A Comparison of Image Denoising Methods

要約

タイトル：画像のノイズ除去手法の比較
要約：
– 画像デバイスの発展により、毎日数え切れないほど多くの画像が生成されており、画像の除去依頼は有効性と効率の両方の点で依然として難しい課題である。
– この論文では、過去数十年間に提案された異なる変換、正則化項、代数表現、特に高度な深層ニューラルネットワーク(DNN)アーキテクチャを含む多数の画像のノイズ除去手法とアプローチを比較する。
– 合成および現実のデータセットを使用し、さまざまなアプリケーションに対する様々な除去方法を比較し、ベンチマーク用の新しいデータセットを紹介して、定量的指標、視覚的効果、人間の評価、計算コストの4つの観点から評価を行う。
– 実験の結果、(i)代表的なトラディショナルなデノイザが様々なデノイジングのタスクにおいて効果的かつ効率的であること、(ii)単純な行列ベースのアルゴリズムがテンソルカウンターパートと比較して同様の結果を生み出すことができること、(iii)深層ニューラルネットワークモデルの著しい進歩であり、それらは驚異的な一般化能力を示し、様々なデータセットにおいて最先端のパフォーマンスを発揮していることを示した。
– 最近の進歩にもかかわらず、既存技術の欠点と可能な拡張についても議論している。
– データセット、コード、結果は公開され、https://github.com/ZhaomingKong/Denoising-Comparisonで継続的に更新される。

要約(オリジナル)

The advancement of imaging devices and countless images generated everyday pose an increasingly high demand on image denoising, which still remains a challenging task in terms of both effectiveness and efficiency. To improve denoising quality, numerous denoising techniques and approaches have been proposed in the past decades, including different transforms, regularization terms, algebraic representations and especially advanced deep neural network (DNN) architectures. Despite their sophistication, many methods may fail to achieve desirable results for simultaneous noise removal and fine detail preservation. In this paper, to investigate the applicability of existing denoising techniques, we compare a variety of denoising methods on both synthetic and real-world datasets for different applications. We also introduce a new dataset for benchmarking, and the evaluations are performed from four different perspectives including quantitative metrics, visual effects, human ratings and computational cost. Our experiments demonstrate: (i) the effectiveness and efficiency of representative traditional denoisers for various denoising tasks, (ii) a simple matrix-based algorithm may be able to produce similar results compared with its tensor counterparts, and (iii) the notable achievements of DNN models, which exhibit impressive generalization ability and show state-of-the-art performance on various datasets. In spite of the progress in recent years, we discuss shortcomings and possible extensions of existing techniques. Datasets, code and results are made publicly available and will be continuously updated at https://github.com/ZhaomingKong/Denoising-Comparison.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI