用于图像去噪的深度信念网络
本文研究了前馈降噪卷积神经网络(DnCNN)的构建,引入残差学习和批归一化技术,进一步提高图像降噪性能,并实现了单一模型处理多种图像降噪任务,如高斯降噪、单张超分辨率和 JPEG 图像去块等。实验表明,基于 GPU 计算的 DnCNN 模型不仅在多种图像降噪任务中表现出高效性,而且能够高效地实施。
Aug, 2016
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
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
本文提出了基于去噪的图像恢复算法,将其迭代过程展开为深度神经网络,利用卷积神经网络的多尺度冗余性和观察模型的先验知识,并通过端到端训练,使去噪器和反投影模块可以共同被优化,实现了对多种图像恢复任务的有竞争力和实时状态的最新结果。
Jan, 2018
本文提出了一种去噪深度神经网络 (DDNN) 声活检测 (VAD) 方法,通过无监督预训练的方式提取特征并通过监督学习修正,实验结果表明该方法优于基于深度置信网络 (DBN) 的 VAD 并且在深度层次上具有明显优势。
Mar, 2013
我们设计了一种新颖的网络架构,用于学习区分图像模型,以有效地解决灰度和彩色图像去噪问题。所提出的模型能够使用一组学习参数来处理广泛的噪声水平,同时对于降低潜在图像的噪声与训练期间使用的噪声统计不匹配时表现出非常强的稳健性。
Nov, 2017
本研究提出了一种名为 GRDN 的图像降噪卷积神经网络,采用了一个组合残差密集块,并结合一种基于生成对抗网络的现实世界噪声模型。实验证明,采用 GRDN 可以显著提高降噪性能,并在 NTIRE2019 实际图像降噪挑战赛或得了双方面指标的最高分数。
May, 2019
该研究提出了使用真实噪声模型和真实的噪声 - 清晰图像对训练卷积盲去噪网络 (CBDNet) 来提高深度卷积神经网络去噪模型的泛化能力,并嵌入了噪声估计子网络,以提供一种交互式策略来纠正去噪结果,实验结果显示 CBDNet 在实际噪声照片的三个数据集上表现优异。
Jul, 2018