On normalization-equivariance properties of supervised and unsupervised denoising methods: a survey

要約

画像のノイズ除去は、おそらく画像処理において最も古く、現在でも最も活発な研究トピックの 1 つです。
過去数十年の間に多くの方法論的概念が導入され、近年、特に畳み込みニューラル ネットワークと教師あり深層学習の出現により、パフォーマンスが大幅に向上しました。
この論文では、画像ノイズ除去のための教師あり学習方法と教師なし学習方法のガイド付きツアーの調査を提案し、この進化の過程で精緻化された主な原理を分類し、教師あり学習の最近の発展に特に関心を持っています。
これは、現在のアプローチを包括的なフレームワークにまとめたチュートリアルとして考えられています。
文献にある最もパフォーマンスの高い方法の理論的根拠と限界について洞察を与え、それらの多くに共通する特徴を強調します。
最後に、ほとんどの教師ありメソッドでは驚くべきことに保証されていない正規化等分散特性に焦点を当てます。
入力画像に適用される強度シフトまたはスケーリングが、デノイザー出力の対応する変化をもたらすことが最も重要です。

要約(オリジナル)

Image denoising is probably the oldest and still one of the most active research topic in image processing. Many methodological concepts have been introduced in the past decades and have improved performances significantly in recent years, especially with the emergence of convolutional neural networks and supervised deep learning. In this paper, we propose a survey of guided tour of supervised and unsupervised learning methods for image denoising, classifying the main principles elaborated during this evolution, with a particular concern given to recent developments in supervised learning. It is conceived as a tutorial organizing in a comprehensive framework current approaches. We give insights on the rationales and limitations of the most performant methods in the literature, and we highlight the common features between many of them. Finally, we focus on on the normalization equivariance properties that is surprisingly not guaranteed with most of supervised methods. It is of paramount importance that intensity shifting or scaling applied to the input image results in a corresponding change in the denoiser output.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google