Nov, 2012

James-Stein 类型的中心像素权重用于非局部均值图像去噪

PDF
TL;DR本研究旨在探讨去噪图像的中心像素权重（CPW）参数选择问题，研究者们提出了一种基于统计收缩和局部调整的改进型 CPWs，实验结果表明，与现有的 CPWs 方法相比，新的提出的 CPWs 更加鲁棒且有效，特别地，使用该方法得到的非局部均值（NLM）在信噪比方面表现更好，提高了其鲁棒性并减弱了其对参数选择的敏感性。
发现论文，激发创造
  • 概率非局部均值

    本文提出了一种称之为概率非局部均值（PNLM）的图像去噪方法，利用新的概率权重函数，成功地改进了 NLM 算法并取得了良好的性能，尤其在峰值信噪比和结构相似性指数方面表现卓越。

    Feb, 2013

  • 快速、非局部和神经网络：图像去噪的轻量高质量解决方案

    通过将非局部算法与轻量级残差卷积神经网络相结合，提出了一个解决方案，充分发挥了两种模型的优势，将计算要求降至最低，并在图像去噪中表现出色。

    Mar, 2024

  • 多通道加权核范数最小化用于实际彩色图像去噪

    本研究提出了一种基于多通道优化模型的加权核范数最小化方法进行真实彩色图像去噪的算法，该方法采用权重矩阵平衡三个通道的数据保真度并引入可用于通道冗余的 RGB 贴片，通过交替方向乘子法解决该 MC-WNNM 模型，实验结果表明该算法在合成和真实噪声图像数据集上优于现有的去噪方法。

    May, 2017

  • 低光照下基于加权非局部块的特征去噪实例分割

    在这篇论文中，我们提出了一种端到端的解决方案来解决低光条件下的实例分割问题，通过在特征提取器中实现加权非局部（NL）块，我们的方法在特征级别上实现了内嵌的去噪过程，从而消除了训练时对齐的基准图像的需要，以支持在真实世界的低光数据集上进行训练，并引入了可学习的权重以增强网络对真实世界噪声特性的适应性，这些特性以不同的方式影响不同的特征尺度，实验结果表明，所提出的方法在平均精度（AP）上的改进为 + 10.0，加权 NL 块的引入进一步提高了 AP 的值，使得所提出的方法胜过预训练的 Mask R-CNN。

    Feb, 2024

  • 非凸加权 Lp 核范数 ADMM 框架用于图像恢复

    本文提出了一种通过非凸加权 Lp 核范数极小化方法进行图像恢复的新方法，以更准确地同时强制执行图像结构稀疏性和自相似性，并采用交替方向乘子法（ADMM）求解相关的非凸极小化问题，实验结果表明，该方法在目标和感知质量方面均优于目前许多最先进的方法。

    Apr, 2017

  • 蒙特卡罗非局部均值：大规模图像滤波的随机抽样

    提出了 Monte Carlo 非局部均值（MCNLM）算法，该算法随机选择图像补丁距离的子集以加速经典的 NLM 滤波算法，并通过优化设计的样本模式导出蒙特卡罗方法的随机结果，使 MCNLM 在图像处理领域变得竞争性。

    Dec, 2013

  • 非本地平均算法对于具有尖锐边缘的图像的次优性

    研究了一种非局部均值图像去噪算法在水平类图像中的渐近风险分析及其性能，并证明其在经过最优调节后的均方风险衰减速率优于线性卷积滤波器、中值滤波器和 SUSAN 滤波器，但仍低于最优的极小值率。

    Nov, 2011

  • 图像去噪和背景减除的加权 Schatten p - 范数最小化

    本研究提出了一种更灵活的模型，称为加权 Schatten p - 范数最小化，用于恢复低秩矩阵。该模型不仅提供了更好的低秩矩阵逼近，并且考虑了不同秩分量的重要性。使用加权 Schatten p - 范数最小化在低级视觉问题（如图像去噪和背景减法）方面，相对于现有方法，可以更有效地去除噪声，对复杂和动态场景进行建模。

    Dec, 2015

  • 一种新的截断范数调整方法用于多通道彩色图像降噪

    本文提出了一种基于双重加权截断核范数减去截断 Frobenius 范数最小化的方法，通过利用噪声图像的非局部自相似性来聚合类似结构并构建一系列类似的补丁矩阵，每个组采用 DtNFM 模型来估计其去噪版本，提供了处理复杂噪声分布的足够灵活性，并通过 ADMM 框架最小化问题。

    Jul, 2023

  • 非局域强化卷积神经网络图像去噪

    该研究提出了一种基于非局部稀疏性的深度卷积神经网络去噪范式，结合了卷积神经网络和非局部滤波器，证明了在大型灰度图像数据集上具有最先进的性能。

    Mar, 2018