神经网络通用离散去噪器
通过最小化经验估计损失函数,从噪声受损数据中适应性地学习参数的神经网络 DUDE 的去噪损失限制类似于监督学习中标准经验风险最小化器(ERM)的泛化误差下限。我们表明其本质上也存在于去噪损失限制中,在所有有界的网络参数和所有基础干净序列上都能一致地保持其无偏估计损失集中于真实去噪损失,这是我们开发的关键工具。最后,我们证明了 Neural DUDE 的超参数可以从一个小的验证集中选择,以显著提高去噪性能。
Sep, 2017
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
本文提出一种基于 Stein's unbiased risk estimator(SURE)的方法,从含有高斯噪声的图像数据中训练深度学习去噪网络,在没有无噪声图像的情况下使用 SURE 方法,使得网络的性能接近于使用有噪声图像的有监督学习方法,同时使用 SURE 方法进行快速后处理可以进一步提高性能。
Mar, 2018
本文提出了一种无监督的深度学习视频去噪方法 UDVD,可以通过单个短暂的有噪声视频进行训练,在显微镜检查、荧光显微镜和电子显微镜图像处理等领域具有广泛的应用前景,且无需显式的运动补偿,自适应性能比传统算法更高。
Nov, 2020
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
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
利用一种新颖的训练方法,基于有噪声图像的非组织集合来培训高质量的图像去噪模型,通过采用具有感受野盲区的网络来消除对参考数据的需要,提高了图像质量和训练效率,最终结果质量与最先进的神经网络去噪器相当。
Jan, 2019
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