Sep, 2017

学习使用扩张残差网络去噪合成孔径雷达图像

PDF
TL;DR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。
synthetic aperture radarsardeep learningdilated residual networkimage despeckling
发现论文，激发创造
  • 卷积神经网络去噪 SAR 图像

    利用卷积神经网络学习判别模型以去噪 SAR 图像，该网络采用残差学习策略，训练时考虑多时相 SAR 图像及其多视版本，实验结果表明，与现有技术相比，该方法表现更好。

    Apr, 2017

  • 使用卷积神经网络进行 SAR 图像除斑

    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

  • 图像去噪的双残差注意力网络

    本文提出了一种基于 Dual-branch Residual Attention Network（DRANet）的图像降噪方法，通过增宽网络结构和注意力机制获得更好的去噪效果。实验证明，相比于其他已有的方法，该方法能够更好地处理合成和真实场景下的噪声。

    May, 2023

  • 扩张残差网络

    本文介绍了一种通过采用 dilated residual networks 提高图像分类准确性及在物体定位和语义分割等下游应用中的效果，同时探究了这种方法引入的网格伪影问题并提出了解决方法。

    May, 2017

  • 图像去噪的扩张深度残差网络

    本研究提出了一种采用扩张残差卷积神经网络（CNN），并使用零填充来保持输出和输入维数相同的方法，以 Gaussian 图像去噪为目标，能够在减少计算成本的同时实现与最新的残差去噪器相当的性能，并且在计算可解释性方面也能有所进展。

    Aug, 2017

  • 基于区域降噪扩散概率模型的 SAR 去斑

    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

  • 通过学习深度残差网络提高多光谱图像全色增强的准确性

    本文提出了一种采用残差学习构建非常深的卷积神经网络来实现全面利用深度学习模型的高非线性性的方法，经过大量高质量多光谱图像的定量和视觉评估，证明我们提出的模型优于比较中包括所有主流算法，达到了最高的空间光谱一致性精度。

    May, 2017

  • 增强型深层残差网络用于单张图像超分辨率

    本文介绍提出的增强型深度超分辨网络（EDSR）和多尺度深度超分辨系统（MDSR），通过深度卷积神经网络（DCNN）和残差学习等技术，去除不必要的模块，并扩展模型大小和稳定的训练过程，实现比当前现有的超分辨率方法更高的性能和不同放大因子的高分辨率图像重构，表现卓越，赢得 NTIRE2017 超分辨挑战。

    Jul, 2017

  • 图像去噪的两阶段渐进式残差稠密注意力网络

    设计了一种新的两阶段渐进残差密集注意力网络（TSP-RDANet）进行图像去噪，通过两个子任务逐步去除噪声，其中使用残差密集注意力模块（RDAM）和混合扩张残差密集注意力模块（HDRDAM）来设计两个基于注意力机制的去噪网络，以增强去噪效果。实验证实，与众多最新方法相比，所提出的 TSP-RDANet 在合成和真实噪声图像去噪方面取得了有利的结果。

    Jan, 2024

  • 超锐利：使用残差稠密网络进行单幅图像超分辨率研究

    该研究使用 Residual Dense Networks（RDN）架构并分析了其组件的重要性，通过利用原始低分辨率（LR）图像的分层特征，该架构实现了卓越的性能，具有四个主要块，包括作为核心的残留密集块（RDB），并通过使用各种损失指标的研究和分析评估了体系结构的有效性，将其与其他不同体系结构和组件的最先进模型进行比较。

    Apr, 2023