| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2026-03-05 12:50 Low-Computational Flexible Deep Denoiser with Noise Scaling ○Kon Kim・Makoto Nakashizuka（CIT）  SIS2025-58 |
|
| 抄録 | （和） | (まだ登録されていません) |
| （英） | Gaussian image denoising is a fundamental task in low-level vision, yet many deep learning--based approaches are trained under a fixed noise level and exhibit significant performance degradation when the noise condition differs at test time. This limitation reduces their practical usability in real-world scenarios, where noise intensity often varies and cannot be precisely controlled. Diffusion-based deep denoisers provide an iterative refinement framework and show promising results, but they also suffer from limited generalization when the noise level is mismatched. In this work, we propose a noise-adaptive diffusion-based deep denoising model designed to achieve robust performance across a wide range of Gaussian noise levels. The key idea is to incorporate noise-level awareness into the iterative refinement process. The proposed model introduces a scaling parameter of the denoising strength into each process of the iteration, allowing the correction magnitude to be dynamically adjusted according to the noise intensity. This design enables the model to preserve fine image structures under low-noise conditions while providing stronger suppression for severe noise. We evaluate the proposed scaling method on the widely used Set68 benchmark under multiple noise settings, including fixed noise levels ($sigma$ = 15, 25, 50) as well as randomly sampled noise conditions. Experimental results demonstrate that conventional diffusion-based models achieve high performance only near their trained noise level, whereas the noise scaling method maintains stable and consistent PSNR performance across the entire noise range. Visual comparisons further confirm that the proposed method reduces over-smoothing at low noise levels and better preserves structural details under high noise conditions. These results indicate that the noise scaling is an effective strategy for improving robustness and generalization in image denoising. |
|
| キーワード | （和） | / / / / / / / |
| （英） | image denoising / Gaussian noise / diffusion process / deep learning / noise-level adaptation / iterative refinement / / | |
| 文献情報 | 信学技報, vol. 125, no. 393, SIS2025-58, pp. 6-9, 2026年3月. | |
| 資料番号 | SIS2025-58 | |
| 発行日 | 2026-02-26 (SIS) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | SIS2025-58 |
|
| 研究会情報 | |
| 研究会 | SIS |
| 開催期間 | 2026-03-05 - 2026-03-06 |
| 開催地（和） | 埼玉大学 大久保キャンパス |
| 開催地（英） | Ohkubo Campus, Saitama University |
| テーマ（和） | ソフトコンピューティング，一般 |
| テーマ（英） | |
| 講演論文情報の詳細 | |
| 申込み研究会 | SIS |
| 会議コード | 2026-03-SIS |
| 本文の言語 | 英語 |
| タイトル（和） | |
| サブタイトル（和） | |
| タイトル（英） | Low-Computational Flexible Deep Denoiser with Noise Scaling |
| サブタイトル（英） | |
| キーワード(1)（和/英） | / image denoising |
| キーワード(2)（和/英） | / Gaussian noise |
| キーワード(3)（和/英） | / diffusion process |
| キーワード(4)（和/英） | / deep learning |
| キーワード(5)（和/英） | / noise-level adaptation |
| キーワード(6)（和/英） | / iterative refinement |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 金 健 / Kon Kim / キム ゴン |
| 第1著者 所属（和/英） | 千葉工業大学 (略称： 千葉工大) Chiba Institute of Technology (略称： CIT) |
| 第2著者 氏名（和/英/ヨミ） | 中静 真 / Makoto Nakashizuka / ナカシズカ マコト |
| 第2著者 所属（和/英） | 千葉工業大学 (略称： 千葉工大) Chiba Institute of Technology (略称： CIT) |
| 講演者 | 第1著者 |
| 発表日時 | 2026-03-05 12:50:00 |
| 発表時間 | 20分 |
| 申込先研究会 | SIS |
| 資料番号 | SIS2025-58 |
| 巻番号（vol） | vol.125 |
| 号番号（no） | no.393 |
| ページ範囲 | pp.6-9 |
| ページ数 | 4 |
| 発行日 | 2026-02-26 (SIS) |
[研究会発表申込システムのトップページに戻る]