通过分离图像的变异因子,我们提出了一种基于 Gabor-like 滤波器的模型,在学习过程中达到更高的统计效率和更好的压缩性能,仅使用单个字典元素就可以优于标准稀疏编码,较好地解决了传统稀疏编码过度冗余的问题。
Sep, 2011
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
本文提出了一种针对真人照片的图像去噪方法,并捕捉了一组包含真实噪声的消费级相机图像数据集,即Darmstadt Noise Dataset,通过实验证明,近期的一些表现优异的方法在真实噪声情况下被BM3D明显地击败。
Jul, 2017
通过构建一个包含具有综合性的不同自然场景下的真实噪声图像的新基准数据集,并在其上评估了各种图像去噪方法(包括之前的数据集),证明近期针对稀疏或低秩理论设计的方法实现了更好的去噪效果,更为稳健,并且新提出的数据集更具挑战性。该数据集现已公开,供研究人员研究新的现实世界图像去噪方法。
Apr, 2018
提出使用离散表示图像的方法,可以让基于自回归的生成模型输出具备更好的大规模连贯性,在ImageNet数据集上进行实验,证明了分层条件自回归模型可以在128×128和256×256的分辨率上生成逼真的图像。
Mar, 2019
本文提出了一种新的可微分松弛联合稀疏性方法,利用非局部自相似性和稀疏性原则进行图像恢复,经实验证明该方法参数少,性能与现有先进方法相当或更好。
Dec, 2019
本文研究了扩散模型,其通过学习从高斯噪声中合成图像的生成模型。研究者在合成逼真图像的能力方面取得了显著进展,并强调了计算局部统计量在区分数码相机图像和生成图像中的有效性,以解决图像的空间非平稳性问题。作者展示了本方法产生了有希望的结果,并且对图像的调整和JPEG压缩等多种扰动具有鲁棒性。
Oct, 2023
我们提出了一种统一的非局部方法的观点,用于单图像去噪,其中BM3D是最流行的代表,根据它们的相似性将噪声补丁收集在一起以进行协同处理。我们的一般估计框架基于二次风险的最小化,在两个步骤中近似,并适应光子和电子噪声。在第一步中依靠无偏风险估计(URE),在第二步中依靠从深度学习理论中借鉴的“内部适应”概念,我们展示了我们的方法能够重新解释和融合先前的最先进的非局部方法。在这个框架内,我们提出了一种名为NL-Ridge的新型去噪算法,它利用了补丁的线性组合。虽然在概念上更简单,但我们展示了NL-Ridge可以胜过成熟的最先进的单图像去噪算法。
Feb, 2024
图像去噪是图像处理中最古老且最活跃的研究领域之一。本文提出了一项关于图像去噪的监督学习和无监督学习方法的综述,分类和详细介绍了这一演化过程的主要原则,特别关注最近在监督学习领域的发展。同时,着重考虑了文献中最有效方法的原理和局限性,并突出了许多方法之间的共同特点。最后,我们重点关注大多数监督方法中未能满足的归一化等变特性,即对输入图像进行强度变换或缩放会导致去噪器输出相应地发生变化。
本文解决了去噪技术应用范围未被充分认识的问题。通过提供全面的去噪器结构和属性视角,强调去噪在成像、逆问题和机器学习等复杂任务中的日益重要性。研究发现,去噪不仅限于噪声去除,其潜在用途正在不断被发现,进一步巩固了其在科学和工程实践中的重要地位。
Sep, 2024