卷积神经网络去噪 SAR 图像
本研究提出了一种基于深度学习的方法,即图像去斑卷积神经网络(ID-CNN),用于自动从输入的噪声图像中去除斑点。它使用一组卷积层、批量归一化和修正线性单元激活函数以及分量分裂残差层来估计斑点,并使用欧几里得损失和总变分损失的组合进行端到端的训练,与现有的非常规斑点降噪方法相比,在合成和实际 SAR 图像上都取得了显著的改进效果。
Jun, 2017
本文提出了一种基于深度学习的非线性端到端映射方法 SAR-DRN 来破解传统线性模型在合成孔径雷达(SAR)图像去斑方面的局限性,并通过定量和可视化评估表明所提出的方法在去除强斑点噪声方面具有明显优势。
Sep, 2017
本文提出了一种基于生成对抗网络和级联卷积神经网络的新方法,用于从合成孔径雷达图像生成高质量的可见光图像,实验表明该方法在去斑和图像上色方面比目前的深度学习方法表现更好。
Feb, 2018
利用多极化合成孔径雷达(SAR)图像,我们提出了一种名为通道屏蔽的自监督去斑方法,利用极化之间的关系和像素到像素的相关性处理,实现了比现有方法更好的去噪效果。
Jan, 2024
SAR 影像消斑技术的新方法 R-DDPM,基于生成模型,通过区域去噪扩散概率模型实现了多尺度合成孔径雷达(SAR)影像的消斑,具有优于现有方法的卓越性能。
Jan, 2024
本文提出了一种基于深度学习的方法,通过使用混合空间谱卷积神经网络(HSID-CNN)学习噪声和清晰 HSI 之间的非线性端到端映射来对 HSI 图像进行去噪处理,并通过多尺度特征提取和多级特征表达来捕捉多尺度空间 - 频谱特征并融合不同级别的特征表示来进行最终还原,实验结果表明,该方法在定量评估指标、视觉效果和 HSI 分类准确率方面均优于许多主流方法。
Jun, 2018
本文提出了一种新颖的空间自适应去噪网络(SADNet),使用卷积神经网络,设计了残差空间自适应块,在采样时引入可变变形卷积以加权样本的空间相关特征,并引入了具有上下文块的编码器 - 解码器结构以捕获多尺度信息,通过从粗到细的噪声去除,可以获得高质量的无噪声图像。在实验结果中,我们的方法在量化和视觉上均优于现有的去噪方法。
Jan, 2020
提出了一种自调制卷积神经网络(SM-CNN)用于高光谱图像去噪,通过利用相关的光谱和空间信息,该网络能够根据相邻的光谱数据自适应地转换特征,提高处理复杂噪声的能力,实验证明在合成和真实数据上,SM-CNN 在公共基准数据集上在定量和定性上均优于其他最先进的高光谱图像去噪方法。
Sep, 2023
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
本文研究了基于图像噪声残留的局部描述符在图像取证领域,如伪造检测和定位方面的应用。通过将这种基于残留的描述符类看作简单的受约束的卷积神经网络(CNN),我们在相对较小的训练集上进行微调,松弛约束,获得了与传统检测器相比显著的性能提升。
Mar, 2017