Том 35 №1

Содержание

1. ОММОХРОМЫ СЛОЖНОГО ГЛАЗА НАСЕКОМЫХ: АНТИГЛИКИРУЮЩЕЕ ДЕЙСТВИЕ
2. НЕЙРОНЫ TECTUM OPTICUM РЫБ, ЭЛЕКТРИЧЕСКАЯ АКТИВНОСТЬ И ПОДБОР АДЕКВАТНОЙ СТИМУЛЯЦИИ
3. ДАУНРЕГУЛЯЦИЯ УЛЬТРАФИОЛЕТ-ЧУВСТВИТЕЛЬНОГО ЗРИТЕЛЬНОГО ПИГМЕНТА ТАРАКАНА УМЕНЬШАЕТ ЭФФЕКТ МАСКИНГА ПРИ КОРОТКОВОЛНОВОМ ОСВЕЩЕНИИ
4. ЧАСТОТНО-ВРЕМЕННЫЕ ОСОБЕННОСТИ ДВИЖЕНИЯ ГЛАЗ ПРИ ИСПОЛЬЗОВАНИИ ВИДЕООКУЛОГРАФИЧЕСКОГО ИНТЕРФЕЙСА В ЗАДАЧАХ УПРАВЛЕНИЯ ЭРГАТИЧЕСКИМИ СИСТЕМАМИ
5. ПЕРСПЕКТИВЫ ИСПОЛЬЗОВАНИЯ ДАННЫХ О ВИБРАЦИОННОЙ КОММУНИКАЦИИ ДЛЯ РАЗРАБОТКИ БЕЗОПАСНЫХ МЕТОДОВ КОНТРОЛЯ ЧИСЛЕННОСТИ НАСЕКОМЫХ
6. МЕТОД АНСАМБЛИРОВАНИЯ АЛГОРИТМОВ КЛАСТЕРИЗАЦИИ ДЛЯ РЕШЕНИЯ ЗАДАЧИ СОВМЕСТНОЙ КЛАСТЕРИЗАЦИИ
7. УЛУЧШЕНИЕ НЕЙРОСЕТЕВОГО ДЕТЕКТОРА ОТРЕЗКОВ ПУТЕМ ДОБАВЛЕНИЯ ИНЖЕНЕРНЫХ ПРИЗНАКОВ
8. РАСПОЗНАВАНИЕ ПРОЕКТИВНО ПРЕОБРАЗОВАННЫХ ПЛОСКИХ ФИГУР. XV. МЕТОДЫ ПОИСКА ОСЕЙ И ЦЕНТРОВ ОВАЛОВ С СИММЕТРИЯМИ, ИСПОЛЬЗУЮЩИЕ СЕТ ДУАЛЬНЫХ ПАР ЛИБО ТРИАДЫ ЧЕВИАН
9. АППАРАТНАЯ НЕЗАВИСИМОСТЬ И ТОЧНОСТЬ НЕЙРОСЕТЕВОГО ШУМОПОДАВЛЕНИЯ НА ИЗОБРАЖЕНИЯХ КАК ФУНКЦИЯ ОБЪЕМА ОБУЧАЮЩИХ ДАННЫХ

Данная работа представляет собой исследование нейросетевого подхода к улучшению изображений (повышению экспозиции и устранению шума), предложенного в работе (Chen et al., 2018). Анализируется применимость нейросети, обученной на датасете с одной фотокамеры, к данным с другой камеры. Исследуется возможность снижения размера датасета для обучения нейросети для новой камеры. Был собран датасет из 27 пар фотографий в сыром формате, сделанных с экспозициями в 0.01 и 1 с и соответствующих друг другу попиксельно. Путем тестирования на наборах фотографий с разных камер, использующих одинаковый тип мозаики цветовых фильтров, сравниваются две модели, обученные на наборах, размеры которых отличаются в 8 раз. Из зависимости метрик качества PSNR и SSIM от размера обучающего набора выяснено, что для размера в 25–30 сцен метрики превосходят 90% от значений, заявленных авторами вышеупомянутой статьи для модели, обученной на 160 сценах. Также эти метрики сравниваются для модели, обученной на фотографиях с одной камеры, и модели, обученной на фотографиях с новой камеры, после их тестирования на наборе из фотографий со второй камеры. Демонстрируется такая переносимость результата, что качество деталей на изображениях для модели, обученной на относительно большом датасете из фотографий с другой камеры, заметно лучше.

Ключевые слова: обработка изображений, нейросетевое шумоподавление, вычислительная фотография

DOI: 10.31857/S0235009221010078

Список литературы:

• Aharon M., Elad M., Bruckstein A. KSVD: An algorithm for designing overcomplete dictionaries for sparse representation. Trans. Sig. Proc. 2006. V. 54 (11). P. 4311–4322.
• Anaya J., Barbu A. Renoir - a dataset for real low-light noise image reduction. arXiv preprint arXiv:1409.8230. 2014. P. 6.
• Bernd J. Digital Image Processing. 6th revised and expanded edition. ISBN 3-540-24035-7 Springer, Berlin, Heidelberg. New York. 2005.
• Chen C., Chen Q., Xu J., Koltun V. Learning to see in the dark. CVPR. 2018. P. 3291–3300.
• Dabov K., Foi A., Katkovnik V., Egiazarian K. Image denoising by sparse 3-d transformdomain collaborative filtering. TIP. 2007. V. 16 (8). P. 2080–2095.
• Foi A., Trimeche M., Katkovnik V., Egiazarian K. Practical Poissonian-Gaussian Noise Modeling and Fitting for Single-Image Raw-Data. TIP. 2008. V. 17 (10). P. 1737–1754.
• Gharbi M., Chaurasia G., Paris S., Durand F. Deep joint demosaicking and denoising. SIGGRAPH. 2016. V. 35 (6). P. 1–12.
• Guo S., Yan Z., Zhang K., Zuo W., Zhang L. Toward convolutional blind denoising of real photographs. CVPR. 2019. P. 1712–1722.
• Hasinoff S.W., Sharlet D., Geiss R., Adams A., Barron J.T., Kainz F., Chen J., Levoy M. Burst photography for high dynamic range and low-light imaging on mobile cameras. SIGGRAPH Asia. 2016. V. 35 (6). P. 1–12.
• Kim D., Chung J.R., Jung S. Grdn: Grouped residual dense network for real image denoising and gan-based realworld noise modeling. CVPR. 2019.
• Lehtinen J., Munkberg J., Hasselgren J., Laine S., Karras T., Aittala M., Aila T. Noise2Noise: Learning image restoration without clean data. arXiv preprint arXiv:1803.04189. 2018.
• Liu Z., Yuan L., Tang X., Uyttendaele M., Sun J. Fast burst images denoising. ACM Transactions on Graphics. 2014. V. 33 (6). P. 1–9.
• Nam S., Hwang Y., Matsushita Y., Kim S.J. A holistic approach to cross-channel image noise modeling and its application to image denoising. CVPR. 2016. P. 1683–1691.
• Perona P., Malik J. Scale-space and edge detection using anisotropic diffusion. TPAMI. 1990. V. 12 (7). P. 629–639.
• Plotz T., Roth S. Benchmarking denoising algorithms with real photographs. CVPR. 2017. P. 1586–1595.
• Ren W., Liu S., Ma L., Xu Q., Xu X., Cao X., Du J., Yang M.H. Low-Light Image Enhancement via a Deep Hybrid Network. TIP. 2019. V. 28 (9). P. 4364–4375.
• Schwartz E., Giryes R., Bronstein A.M. DeepISP: Toward Learning an End-to-End Image Processing Pipeline. TIP. 2019. V. 28 (2). P. 912–923.
• Simoncelli E.P., Adelson E.H. Noise removal via bayesian wavelet coring. ICIP. 1996. V. 1. P. 379–382.
• Wang R., Zhang Q., Fu C., Shen X., Zheng W., Jia J. Underexposed Photo Enhancement Using Deep Illumination Estimation. CVPR. 2019. P. 6849–6857.
• Zhang Y., Zhang J., Guo X. Kindling the Darkness: A Practical Low-light Image Enhancer. CVPR. 2019. P. 1632–1640.
• Zhang K., Zuo W., Chen Y., Meng D., Zhang L. Beyond a gaussian denoiser: Residual learning of deep cnn for image denoising. TIP. 2017. V. 26 (7). P. 3142–3155.