CVPRApr, 2017

学习深度 CNN 去噪先验用于图像恢复

PDF
TL;DR本篇论文旨在通过变量分裂技术将快速鉴别式去噪模块插入基于模型的优化，实现解决逆问题的目的，并着重于训练一组快速有效的卷积神经网络去噪器以及将其融合到模型优化中，以便更好地应对各种相关低级视觉应用，实验结果表明，学习到的去噪器不仅在高斯去噪方面效果显著，而且可以作为先验信息，在各种低级视觉任务中也取得了良好的性能表现。
发现论文，激发创造
  • 使用深度去噪先验的即插即用图像恢复

    本研究旨在通过训练高度灵活和有效的深度 CNN 降噪器来构建深度降噪先验，将其作为模块化部分插入基于半二次分裂的迭代算法以解决各种图像恢复问题，实验结果表明所提出的方案不仅对于模型模拟的方法具有优势，对于学习方法也具有竞争性甚至更好的性能。

    Aug, 2020

  • 基于去噪先验的深度神经网络图像恢复方法

    本文提出了基于去噪的图像恢复算法，将其迭代过程展开为深度神经网络，利用卷积神经网络的多尺度冗余性和观察模型的先验知识，并通过端到端训练，使去噪器和反投影模块可以共同被优化，实现了对多种图像恢复任务的有竞争力和实时状态的最新结果。

    Jan, 2018

  • 使用降噪器中隐式的先验信息解决线性反问题

    本文提出了一种利用深度神经网络模型中的隐式先验进行线性反问题求解的方法，借助宫澤统计学理论和随机梯度上升算法，在去噪、去模糊、插值和压缩感知等方面取得了最先进的非监督性能水平。

    Jul, 2020

  • 学习盲图像去模糊的判别先验

    本文提出了一种基于数据驱动的判别性先验的有效盲图像去模糊方法，通过深度卷积神经网络学习得到的固定分类器可以帮助在不同场景下的图像去模糊，同时使用半二次分离法和梯度下降算法解决非线性问题。

    Mar, 2018

  • 深度图像先验

    本文研究了深度卷积神经网络用于图像生成和修复的方法，以及使用神经网络作为手工先验的能力，展示了这种方法在标准的逆问题中的卓越效果以及在检测深度神经网络表示和基于闪光和非闪光输入对图像进行修复方面的同等效果。

    Nov, 2017

  • 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

  • 盲图像去噪的深度图像先验学习

    本文提出了一种基于领域对齐的有效图像去噪方法，该方法学习了两个图像先验知识，其中特征级先验用于学习对抗训练中的不同噪声水平下对抗特征，像素级先验则用于推动去噪图像到自然图像流形。结果表明，该方法有效地提高了合成和真实噪声图像的去噪能力，并可以用于盲去噪任务以及提高感知质量。

    Jun, 2019

  • 通过迭代预条件引导的去噪扩散模型进行图像恢复

    训练深度神经网络已成为解决图像恢复问题的常用方法，本文提出了一种基于预条件的新型引导技术，它在恢复方案中的实现要比现有方法简单，同时对噪声具有抗干扰性，适用于图像去模糊和超分辨率的任务。

    Dec, 2023

  • 图像去噪中的深度学习：概述

    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

  • 释放扩散先验的去噪能力以解决逆问题

    通过引入辅助优化变量，利用扩散过程重新定义嘈杂的反问题为受约束的双变量优化任务，该算法称为 ProjDiff，有效地利用了预训练扩散模型的先验信息和降噪能力。在各种线性和非线性反问题中，ProjDiff 在图像恢复任务、信源分离和部分生成任务方面展现出卓越的性能，凸显其在实际应用中的潜力。

    Jun, 2024