$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

[국내논문] 비지도 학습 기반 영상 노이즈 제거 기술을 위한 정규화 기법의 최적화
Optimized Normalization for Unsupervised Learning-based Image Denoising 원문보기

컴퓨터그래픽스학회논문지 = Journal of the Korea Computer Graphics Society, v.27 no.5, 2021년, pp.45 - 54  

이강근 (울산과학기술원) ,  정원기 (고려대학교)

초록
AI-Helper 아이콘AI-Helper

최근 노이즈 제거를 위한 심층 학습 모델에 대한 연구가 활발하게 진행되고 있다. 특히 블라인드 노이즈 제거 (blind denoising) 기술이 발전하면서 깨끗한 영상을 얻기가 불가능한 영상의 영역에서 노이즈 영상만으로 심층 학습 기반 노이즈 제거 모델의 학습이 가능해졌다. 우리는 관찰된 노이즈 영상으로부터 깨끗한 영상을 얻기 위해 더는 깨끗한 영상과 노이즈 영상의 짝을 이루는 데이터를 필요하지 않는다. 하지만 노이즈 영상과 깨끗한 영상 간의 차이가 큰 데이터라면 노이즈 영상만으로 학습된 노이즈 제거 모델은 우리가 원하는 품질의 깨끗한 영상을 복원하기 어려울 것이다. 이 문제를 해결하기 위해서 짝지어지지 않는 깨끗한 영상과 노이즈 영상으로 학습한 모델 기반 노이즈 제거 기술은 최근 연구되고 있다. 가장 최신 기술인 ISCL은 깨끗한 영상과 노이즈 영상의 쌍을 기반으로 한 지도학습 기반 모델의 성능과 거의 근접한 성능을 보여 주었다. 우리는 제안된 방법이 ISCL을 포함한 다른 최신 짝을 이루지 않는 영상 기반 노이즈 제거 기술보다 성능이 우수함을 보여준다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Recently, deep learning-based denoising approaches have been actively studied. In particular, with the advances of blind denoising techniques, it become possible to train a deep learning-based denoising model only with noisy images in an image domain where it is impossible to obtain a clean image. W...

주제어

#정규화   #노이즈 제거   #비지도 학습   #심층 학습  

참고문헌 (29)

  1. K. Lee and W.-K. Jeong, "ISCL: Interdependent self-cooperative learning for unpaired image denoising," IEEE Trans. Med. Imag., vol. 40, no. 11, pp. 3238-3248, 2021. [Online]. Available: https://doi.org/10.1109/TMI.2021.3096142 

    상세보기 crossref

  2. D. G. C. Hildebrand, B. J. Graham, and W.-C. A. Lee, "Grid-tape for fast nanoscale imaging," 2017. 

  3. B. J. Graham, D. G. C. Hildebrand, and W.-C. A. Lee, "Grid-tape imaging stage," 2018. 

  4. B. J. Graham, D. G. C. Hildebrand, A. T. Kuan, J. T. Maniates-Selvin, L. A. Thomas, B. L. Shanny, and W.-C. A. Lee, "High-throughput transmission electron microscopy with automated serial sectioning," bioRxiv, 2019. [Online]. Available: https://www.biorxiv.org/content/early/2019/06/02/657346 

  5. T. Minh Quan, D. Grant Colburn Hildebrand, K. Lee, L. A. Thomas, A. T. Kuan, W.-C. Allen Lee, and W.-K. Jeong, "Removing imaging artifacts in electron microscopy using an asymmetrically cyclic adversarial network without paired training data," in Proc. IEEE Int. Conf. Comput. Vis. Workshop, Oct. 2019. 

  6. K. Zhang, W. Zuo, Y. Chen, D. Meng, and L. Zhang, "Beyond a gaussian denoiser: Residual learning of deep cnn for image denoising," IEEE Trans. Image Process., vol. 26, no. 7, pp. 3142-3155, Jul. 2017. 

    상세보기 crossref

  7. Z. Huang, Z. Chen, Q. Zhang, G. Quan, M. Ji, C. Zhang, Y. Yang, X. Liu, D. Liang, H. Zheng, et al., "Cagan: a cycle-consistent generative adversarial network with attention for low-dose ct imaging," IEEE Trans. Comput. Imag., vol. 6, pp. 1203-1218, 2020. 

    상세보기 crossref

  8. D. Bashkirova, B. Usman, and K. Saenko, "Adversarial self-defense for cycle-consistent gans," in Proc. Adv. Neural Inf. Process. Syst, vol. 32, 2019. 

  9. J.-Y. Zhu, T. Park, P. Isola, and A. A. Efros, "Unpaired image-to-image translation using cycle-consistent adversarial networks," in Proc. IEEE Int. Conf. Comput. Vis., 2017, pp. 2223-2232. 

  10. K. Dabov, A. Foi, V. Katkovnik, and K. Egiazarian, "Image denoising by sparse 3-d transform-domain collaborative filtering," IEEE Trans. Image Process., vol. 16, no. 8, pp. 2080-2095, Aug. 2007. 

    상세보기 crossref

  11. S. Ioffe and C. Szegedy, "Batch normalization: Accelerating deep network training by reducing internal covariate shift," ser. Proc. Int. Conf. Mach. Learn., F. Bach and D. Blei, Eds., vol. 37, Lille, France, Jul. 2015, pp. 448-456. 

  12. J. Lehtinen, J. Munkberg, J. Hasselgren, S. Laine, T. Karras, M. Aittala, and T. Aila, "Noise2Noise: Learning image restoration without clean data," in Proc. Int. Conf. Mach. Learn., J. Dy and A. Krause, Eds., vol. 80, Jul. 2018, pp. 2965-2974. 

  13. K. Lee and W.-K. Jeong, "Noise2kernel: Adaptive self-supervised blind denoising using a dilated convolutional kernel architecture," 2020. [Online]. Available: https://arxiv.org/abs/2012.03623 

  14. A. Krull, T.-O. Buchholz, and F. Jug, "Noise2void-learning denoising from single noisy images," in Proc. IEEE conf. Comput. Vis. Pattern Recognit., Jun. 2019, pp. 2129-2137. 

  15. J. Batson and L. Royer, "Noise2Self: Blind denoising by self-supervision," in Proc. Int. Conf. Mach. Learn., Mar. 2019, pp. 524-533. 

  16. Y. Quan, M. Chen, T. Pang, and H. Ji, "Self2Self with dropout: Learning self-supervised denoising from single image," in Proc. IEEE conf. Comput. Vis. Pattern Recognit., Jun. 2020, pp. 1890-1898. 

  17. H. Liao, W.-A. Lin, S. K. Zhou, and J. Luo, "Adn: Artifact disentanglement network for unsupervised metal artifact reduction," IEEE Trans. Med. Imag., vol. 39, no. 3, pp. 634-643, 2019. 

    상세보기 crossref

  18. Y. Huang, W. Xia, Z. Lu, Y. Liu, H. Chen, J. Zhou, L. Fang, and Y. Zhang, "Noise-powered disentangled representation for unsupervised speckle reduction of optical coherence tomography images," IEEE Trans. Med. Imag., 2020. 

  19. H. Nam and H.-E. Kim, "Batch-instance normalization for adaptively style-invariant neural networks," in Proc. Adv. Neural Inf. Process. Syst, vol. 31, 2018, pp. 2558-2567. 

  20. D. Ulyanov, A. Vedaldi, and V. Lempitsky, "Instance normalization: The missing ingredient for fast stylization," 2016. [Online]. Available: https://arxiv.org/abs/1607.08022 

  21. P. Luo, R. Zhang, J. Ren, Z. Peng, and J. Li, "Switchable normalization for learning-to-normalize deep representation," IEEE Trans. Pattern Anal. Mach. Intell., vol. 43, no. 2, pp. 712-728, 2019. 

  22. J. L. Ba, J. R. Kiros, and G. E. Hinton, "Layer normalization," 2016. [Online]. Available: https://arxiv.org/abs/1607.06450 

  23. T. Miyato, T. Kataoka, M. Koyama, and Y. Yoshida, "Spectral normalization for generative adversarial networks," in Proc. Int. Conf. Learn. Represent, 2018. 

  24. A. Brock, J. Donahue, and K. Simonyan, "Large scale gan training for high fidelity natural image synthesis," in Proc. Int. Conf. Learn. Represent, 2018. 

  25. M. Arjovsky, S. Chintala, and L. Bottou, "Wasserstein generative adversarial networks," in Proc. Int. Conf. Mach. Learn., vol. 70, Aug. 2017, pp. 214-223. 

  26. I. Gulrajani, F. Ahmed, M. Arjovsky, V. Dumoulin, and A. C. Courville, "Improved training of wasserstein gans," in Proc. Adv. Neural Inf. Process. Syst, 2017, pp. 5767-5777. 

  27. H. Chen, Y. Zhang, M. K. Kalra, F. Lin, Y. Chen, P. Liao, J. Zhou, and G. Wang, "Low-dose ct with a residual encoder-decoder convolutional neural network," IEEE Trans. Med. Imag., vol. 36, no. 12, pp. 2524-2535, 2017. 

    상세보기 crossref

  28. Z. Hong, X. Fan, T. Jiang, and J. Feng, "End-to-end unpaired image denoising with conditional adversarial networks," in Proc. Assoc. Adv. Artific. Intell., Apr. 2020, pp. 4140-4149. 

  29. Y. Wu and K. He, "Group normalization," in Eur. Conf. Comput. Vis., 2018, pp. 3-19. 

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로