Nov, 2012

使用多层感知器进行图像去噪，第一部分：与现有算法及边界的比较

PDF
TL;DR本文中，我们使用简单的多层感知器（MLP）应用于图像块来直接学习从嘈杂的图像到无噪声图像的映射，并通过训练大型图像数据库，我们能够超越当前最先进的图像降噪方法并获得优秀的成果，同时在其他类型的噪声方面也取得了出色的结果，此外，结合块匹配程序可以进一步提高性能。
发现论文，激发创造
  • 多层感知器图像去噪，第二部分：训练的权衡和机制分析

    本文详细讨论多层感知器在图像去噪中需要考虑的权衡问题，分析隐藏单元的激活模式，从而观察训练的原理，并取得了良好的结果。

    Nov, 2012

  • 图像去噪中的深度学习：概述

    本文对深度学习在图像去噪中的应用进行了比较研究，区分了不同类型的卷积神经网络的使用场景，比较了不同方法在公共图像去噪数据集上的表现，并指出了未来研究的挑战和方向。

    Dec, 2019

  • 图像去噪方法比较

    本文通过对不同应用的合成和真实世界数据集中的各种去噪方法进行比较，旨在调查现有去噪技术的适用性，并从数量度量、视觉效果、人工评分和计算成本等四个不同角度对其进行评估，我们实验的结果显示，除了 DNN 模型表现出的物体检测和许多关键点检测方面的性能令人印象深刻以外，传统去噪器显示出代表性的有效性和效率以及同样良好的去噪表现，我们也讨论了现有技术的缺点和可能的扩展。

    Apr, 2023

  • 使用深度神经网络识别自然图像去噪的重复过程

    本论文提出了一种使用深度神经网络和内部图像统计来处理图像去噪的新方法，该方法在子波系数匹配方面表现出色，其性能达到了最先进水平，特别是对于具有强烈噪声干扰的图像，其效果更加明显，而且可以使用有限的训练数据进行训练。

    Jun, 2018

  • 基于卷积神经网络的图像去噪：对抗性方法

    通过卷积神经网络，我们提出了一种新的盲目图像降噪 CNN 架构，该架构综合了三个架构组件，包括多尺度特征提取层，l_p 规范化器以及三步训练方法，并与现有方法相比表现出具有竞争力的降噪性能。

    Aug, 2017

  • 深度神经网络降噪的速率最优化

    使用生成网络和自编码器对带有噪声的图像进行去噪，当给定一个 $k$ 维码时，自编码器能将噪声能量减小到 $O (k/n)$，并且使用一个梯度算法的生成模型能将噪声能量降低到 $O (k/n)$。

    May, 2018

  • 去噪：从传统方法到深度卷积神经网络

    该论文探讨图像去噪的演变过程，从傅里叶分析和小波基础方法到神经网络，尤其是 U-Net 的出现。神经网络在 2010 年代的研究中展现出卓越的性能，适用于各种图像类型，包括具有固定规律性、人脸图像和卧室场景，以及对几何适应性调和基础有偏好的结果。引入分数扩散在图像生成中起着关键作用，图像去噪在这一背景下变得至关重要，因为它有助于概率密度的估计。我们讨论了真实学习概率密度的先决条件，并提供了从数学研究到通用结构的深入洞察。

    Apr, 2024

  • 联合端到端图像压缩和去噪：利用对比学习和多尺度自注意机制

    本文提出了一种集成多尺度去噪器的新方法，用于联合图像压缩和去噪。通过强调噪声与干净图像之间的相关性，采用对比学习的方式来提高网络区分噪声与高频信号的能力，实验证明该方法在失真性能和编解码速度方面优于当前的最新技术水平。

    Feb, 2024

  • 基于块匹配的卷积神经网络图像去噪

    本文提出了一种结合 NSS 先验和 CNN 的块匹配卷积神经网络（BMCNN）方法，该方法可以恢复重复和不规则结构的图像去噪，并在实验结果上达到了最先进的性能。

    Apr, 2017

  • 基于掩膜图像训练的通用深度图像去噪技术

    本文提出了一种蒙版训练的方法，通过遮盖输入图像的随机像素并在训练期间重建丢失的信息，同时遮盖自注意力层中的特征以避免训练 - 测试不一致性的影响，从而提高了去噪网络的泛化能力。

    Mar, 2023