Nov, 2015

深度高斯条件随机场网络：基于模型的深度网络用于区分降噪

PDF
TL;DR本文提出一种基于高斯条件随机场模型的图像去噪新颖网络架构，通过显式建模输入噪声方差，可处理多种噪声级别，分为参数生成和推断两大子网，并最终通过对峰值信噪比的最大化来进行端到端的判别式训练，实验证明，该模型在处理多种噪声级别的图像去噪任务中胜过现有的最优方法。
deep networkimage denoisinggaussian conditional random fieldnoise varianceend-to-end
发现论文，激发创造
  • 级联回归树场用于图像恢复

    本文提出了一种基于高斯 CRF 级联模型的图像去模糊和去噪的新方法，并通过综合实验数据表明了该方法的有效性和高效性。

    Apr, 2014

  • 条件随机场作为循环神经网络

    介绍了一种名为 CRF-RNN 的新型卷积神经网络，该网络将卷积神经网络（CNN）和基于 CRFs 的概率图建模相结合，用于语义图像分割任务，结果在 Pascal VOC 2012 分割基准测试上获得了最好的结果。

    Feb, 2015

  • GRDN: 用于真实图像去噪的分组残差密集网络和基于 GAN 的现实世界噪声建模

    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

  • 一种超越高斯去噪器的深度卷积神经网络残差学习方法用于图像去噪

    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

  • 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

  • 可扩展的基于高斯马尔科夫随机场的通用图模型

    提出了一种新颖的、基于高斯马尔可夫随机场并利用多层结构的深度高斯马尔可夫随机场模型，该模型在大规模图数据上具有良好的可扩展性和灵活性，并利用变分推断的方法进行高效训练和预测。在多个实验数据集上，该模型都表现出了比其他贝叶斯和深度学习方法更好的性能表现。

    Jun, 2022

  • 通用去噪网络：一种新颖的用于图像去噪的 CNN 架构

    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

  • 基于深度高斯条件随机场的语义图像分割快速、准确、多尺度推理

    本文提出了一种结构化预测技术，其将高斯条件随机场与深度学习相结合，能够在保证唯一全局最优解的同时，使用精简的闭式表达式计算模型参数的梯度。通过在语义分割任务中引入多分辨率结构化优化框架，该系统在 PASCAL 2012 图像分割基准上显示出明显的改进。

    Mar, 2016

  • 细节保留图像去噪的重建生成扩散模型

    提出了一种称为重建生成扩散模型 (RnG) 的新方法，该方法利用重建去噪网络恢复绝大部分底层干净信号，并采用扩散算法生成剩余的高频细节，从而提高视觉质量和感知度。通过在合成和真实去噪数据集上进行广泛实验验证了该方法的优越性。

    Sep, 2023

  • 用于高效视频分割的深度时空随机场

    本研究提出了一种名为 VideoGCRF 的方法，采用深度高斯条件随机场对密集连接的时空图进行精确和高效的推断，能够与现代深度网络一起进行端到端的视频理解训练，并在语义分割和实例分割的任务中呈现出实证上的优越性。

    Jul, 2018