@techreport{oai:ipsj.ixsq.nii.ac.jp:00213824,
 author = {吉田, 莉乃 and 児玉, 和也 and ヴュー, フイ and チョン, ジーン and 浜本, 隆之 and Rino, Yoshida and Kazuya, Kodama and Huy, Vu and Gene, Cheung and Takayuki, Hamamoto},
 issue = {4},
 month = {Nov},
 note = {4 次元の光線空間は，2 次元平面の格子点上に隣接して並ぶ各視点で得られた要素画像からなる多視点画像群として構成できる．本研究では，大規模な高次元データを要し深層学習の導入が困難であった光線空間上の雑音除去に関し，グラフ学習に基づく新しい手法を提案する．一般にグラフ信号処理において，深層学習に基づきグラフの構成を決定することの有効性が示されている．実際，グラフ信号処理を介さず深層学習を直接に用いる場合に比し，こうした枠組は解釈可能な上，学習パラメータ数が大幅に抑制され，小規模のデータセットのみから安定に効率の良い処理が実現できる．ここでは簡単のため，十分に密な光線情報を対象に，4 次元中の近傍を接続したグラフ上で全変動正則化による雑音除去を検討する．具体的には，畳み込みニューラルネットワークにより当該グラフ中のエッジの重みが決定されるよう学習を行う．こうした提案法がモデルベース，深層学習ベースいずれの手法も復元品質ならびに安定性で上回ることを実験により示す．, A light field (LF) image is composed of multi-view images acquired by slightly offset viewpoints. We propose a novel method to denoise noise-corrupted LF images based on graph learning. In comparison with the conventional deep learning for image restoration, our interpretable method combined with graph signal processing (GSP) needs to learn only far fewer parameters suitable for limited datasets. Given multi-view images acquired by dense viewpoints simply, neighboring pixels in the corresponding 4D LF image are connected to each other for GSP using graph total variation (GTV) as signal prior. In order to construct the graph for LF image denoising, we train a convolutional neural net (CNN) determining its edge weights. Experimental results show that our proposal outperformed model-based and deep-learning-based implementations with respect to denoising performance and robustness.},
 title = {グラフ学習に基づく光線空間上の雑音除去の検討},
 year = {2021}
}