Denoising: from classical methods to deep CNNs

要約

この論文は、教育学的方法で画像ノイズ除去の進化を探ることを目的としています。
フーリエ解析やウェーブレットベースなどの古典的な手法を簡単にレビューし、2010 年代にニューラル ネットワーク、特に U-Net が登場するまでに直面した課題に焦点を当てます。
これらのネットワークの顕著なパフォーマンスは、Kadkhodaie らの研究などで実証されています。
（2024年）。
これらは、固定規則性、顔画像、寝室のシーンなど、さまざまな画像タイプに適応し、最適な結果を達成し、ジオメトリに適応した調和基底に偏っています。
スコア拡散の導入は、画像生成において重要な役割を果たしました。
この文脈では、確率密度スコアの推定を容易にするため、ノイズ除去が不可欠になります。
確率密度を真に学習するための前提条件について議論し、数学的研究から普遍的な構造の意味にまで及ぶ洞察を提供します。

要約(オリジナル)

This paper aims to explore the evolution of image denoising in a pedagological way. We briefly review classical methods such as Fourier analysis and wavelet bases, highlighting the challenges they faced until the emergence of neural networks, notably the U-Net, in the 2010s. The remarkable performance of these networks has been demonstrated in studies such as Kadkhodaie et al. (2024). They exhibit adaptability to various image types, including those with fixed regularity, facial images, and bedroom scenes, achieving optimal results and biased towards geometry-adaptive harmonic basis. The introduction of score diffusion has played a crucial role in image generation. In this context, denoising becomes essential as it facilitates the estimation of probability density scores. We discuss the prerequisites for genuine learning of probability densities, offering insights that extend from mathematical research to the implications of universal structures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google