論文紹介:Semantic segmentation using Vision Transformers: A survey
[DL輪読会]High-Quality Self-Supervised Deep Image Denoising
1. 1
DEEP LEARNING JP
[DL Papers]
http://deeplearning.jp/
High-Quality Self-Supervised Deep Image Denoising
Hirono Okamoto, Matsuo Lab
2. 書誌情報: High-Quality Self-Supervised Deep Image Denoising
n NIPS 2019 accepted
n 筆頭著者: Samuli Laine (NVIDIA)
n ⼀⾔でいうと:
n ベイジアンアプローチと効率的なblind-spot networkにより,教師なしで(訓練データはノイズあり画像
のみで),ハイクオリティな画像デノイジングを可能にした
教師ありデノイジングと
ほぼ変わらない結果
11. 関連⼿法: Noise2Voidとは︖
n まわりのピクセル Ω! のみからノイズがないピクセル 𝑥 を予測するように 𝑓" を学習する
n ここで,教師はノイズのピクセル 𝑦 とするため,ノイズなしデータはいらない
n ノイズの平均が0のときならOK [Lehtinen+, 2018]
12. 関連⼿法: Noise2Voidの限界
n Noise2Voidは 𝑥 の情報を多く持った 𝑦 を⼊⼒として使っていない
n 使ってしまうと, 𝑦 はターゲットなので,モデル 𝑓! が学習してくれなくなるから
n → そこで,筆者らは訓練時には使わずに,テスト時に使うことを提案する
n 事後分布 p 𝑥 𝑦, Ω" を計算する
13. 提案⼿法: 𝑥の事後分布(の平均)を利⽤する
n 訓練時: ノイズモデル p(𝑦|𝑥) は Ω! と独⽴だと仮定すると,周辺分布は次の式
n p(𝑥|Ω") を⾊のチャネル次元を持つ多変量ガウシアン分布 𝑁(µ#, Σ# ) とする
n µ#, Σ# は Ω" を⼊⼒としたときの 𝑓! の出⼒である
n 推論時: 𝑥の事後分布は,ベイズの定理より次のように求まる
n 最終的には事後平均𝐸# p 𝑥 𝑦, Ω" を計算する(このときPSNRが最⼤化されるため)
24. 結論・今後の課題
n まとめ
n ノイズ画像のみからデノイジングの訓練が可能になった
n デノイジング結果としてこれまでの教師あり画像とほぼ同じクオリティが得られた
n 今後の研究
n 今回はピクセルごとにノイズがiidである仮定をおいている(画像で共通のσである)が,iidではない
場合の仮定に和らげることはできないか︖
n データからノイズモデルが推定できると良い