增强卷积神经网络对质量下降数据集的性能
本文系统研究图像失真对深度神经网络分类器的影响，提出了重训练与加噪音微调两种方法，结果表明在特定条件下，加噪音微调可以有效减轻图像失真对分类器的影响，并且比重新训练更为实用。
Jan, 2017
本文评估了四种最先进的深度神经网络模型在图像分类方面对模糊、噪声、对比度、JPEG 和 JPEG2000 压缩等五种图像质量扭曲的表现，结果表明现有网络对图像质量扭曲特别是模糊和噪声较为敏感，这为未来开发更具抗图像质量扭曲能力的深度神经网络开展了研究。
Apr, 2016
本文通过实验从四个不同角度：雾化、水下、运动模糊、鱼眼，探讨了深度学习神经网络中卷积神经网络在处理污损图片分类问题上的性能变化，以及使用现有计算机视觉算法删除这些污损是否可以提高分类性能的问题。
Oct, 2018
本文提出了一种称为 DeepCorrect 的方法，通过对权值进行微调，修正深度神经网络中感受野受损图像变形的问题，该方法显著提高了网络的鲁棒性和性能。
May, 2017
本论文探究了在实际情况中，数据标注不可避免地有可能存在噪声标签的情况下，利用引入噪声层的方法，在 Convolutional Network 模型上进行判别性训练以获得更好的性能。同时在多个数据集上进行了实验，包括在 ImageNet 分类基准测试上的大规模试验。
Jun, 2014
本文旨在研究在细粒度识别方面 CNN 输出对图像转换和噪声的敏感性，回答了如何预测 CNN 的敏感度并增强其稳健性，使用常用的 CNN 架构 (AlexNet、VGG19、GoogleNet) 进行了广泛的经验灵敏度分析，并表明了 VGG19 相比于 AlexNet 和 GoogleNet 更具有鲁棒性，但是即使对于 VGG19，微小的强度噪声也会导致 CNN 性能的巨大变化。
Oct, 2016
本文提出了一种名为增强卷积神经去噪网络（ECNDNet）的新方法，通过使用残差学习和批量归一化技术提高了训练效果并加速了网络的收敛。此外，提议的网络使用扩张卷积增大了上下文信息，降低了计算成本，并在广泛实验中证明了 ECNDNet 优于图像去噪的现有最先进方法。
Oct, 2018
本文提出一种基于离散余弦变换的 DCT-Net 模块，可用于改善卷积神经网络 (CNN) 在面对包括高噪音、模糊等多种苟且不净的图像质量下的分类表现。通过丢弃高频信息，DCT-Net 能够在训练和测试过程中自适应地适应各种扭曲情况，仅需盲目一次训练即可用于未知的图像失真情况，结果表明 DCT-Net 在 CIFAR-10/100 和 ImageNet 测试数据集上具有更好的分类准确性。
Nov, 2018