本文提出了一种基于像素分类的高效深度神经网络用于图像去噪,通过使用 Class Specific Convolution (CSConv) 图层替换已存在去噪网络的卷积图层以及 U-net 像素分类器,能够降低计算成本并且不会牺牲去噪性能。
Mar, 2021
本文提出了一种基于全卷积神经网络的图像去噪方法,既简单又强大,可以应对不同噪声水平和分布(高斯和泊松),并且利用语义类信息实现了类感知。
Aug, 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
本文使用卷积神经网络对图像去噪,并将其与各种高级任务联合处理,使用联合损失更新去噪网络,证明了同时利用图像语义进行图像去噪及高级视觉任务的益处。
Jun, 2017
通过卷积神经网络,我们提出了一种新的盲目图像降噪 CNN 架构,该架构综合了三个架构组件,包括多尺度特征提取层,l_p 规范化器以及三步训练方法,并与现有方法相比表现出具有竞争力的降噪性能。
Aug, 2017
本研究提出了一种在铸造产品嘈杂图像中检测缺陷的创新方法,使用包括 VGG16、InceptionV3 等深度学习模型在空间和频率域中识别噪声类型和缺陷状态,并通过集成噪声检测和去噪技术提高缺陷检测准确性和鲁棒性。
Apr, 2024
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。
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
提出了一种适用于移动设备的轻量级高效的神经网络原始图像去噪器,可通过测量估计传感器噪声水平并使用新颖的 k-Sigma Transform 来克服各种噪声水平,从而以~70 毫秒 / 百万像素的速度运行,非常适合夜拍模式。
Oct, 2020
本研究旨在通过特征去噪的方式提高卷积神经网络在对抗攻击下的鲁棒性,实验结果表明这种方法对提高白盒和黑盒攻击下的分类准确率具有一定效果。
Dec, 2018