通用去噪网络:一种新颖的用于图像去噪的 CNN 架构
本研究提出了一种基于非局部图像模型的新型深层网络结构,用于灰度和彩色图像去噪,并通过实验验证,表明该非局部模型在所有测试噪声水平下均实现了最佳的去噪性能,同时能够与卷积神经网络进行直接连接,并利用深度学习中 GPU 计算的最新进展,在其固有的并行性上实现高效实现。
Nov, 2016
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
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
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
本文旨在从网络架构设计和训练数据合成的角度解决当前真实图像去噪的问题,提出了一种新的网络架构设计和噪声退化模型,分别插入到 UNet 框架中从而达到当前最先进的性能水平。
Mar, 2022
用卷积神经网络进行图片去噪是计算摄影学中重要的工具,本研究提出了一种新的全卷积网络结构,使用扩张卷积实现盲点性质,该网络在已有数据集上表现优于之前的工作并取得了最新成果。
Aug, 2020