核预测网络进行突发噪声去除

CVPRDec, 2017

Burst Denoising with Kernel Prediction Networks

Ben Mildenhall, Jonathan T. Barron, Jiawen Chen, Dillon Sharlet, Ren Ng...

TL;DR本文提出了一种技术，用于联合去噪从手持相机拍摄的一连串图像。特别地，我们提出了一个卷积神经网络体系结构，用于预测空间变化的核对齐和去噪，一种基于真实噪声形成模型的合成数据生成方法，以及通过一个退火损失函数指导的优化，以避免不良的局部最小值。我们的模型在真实数据和合成数据的宽范围噪声水平上与现有技术相匹配或表现优越。

Abstract

We present a technique for jointly denoising bursts of images taken from a handheld camera. In particular, we propose a convolutional neural network architecture for predicting spatially varying kernels that can

denoising convolutional neural network synthetic data generation optimization noise levels

发现论文，激发创造

用于去噪爆炸图像的多核预测网络

本论文提出了基于深度神经网络的多核预测网络（MKPN）来进行突发图像去噪，通过预测不同大小的核并将这些不同核的融合得到每一个像素的核，可有效提取不同信息实现更好的重建，实验结果表明 MKPN 方法在不同噪声级别的合成数据集上优于现有方法。

Feb, 2019

基于预测网络的大核有效爆炸去噪

通过预测一组全局基础核和相应的混合系数 -- 它们特定于个别像素，我们引入了一种新的基础预测网络来表示核，这些图像在时间和空间上显着自相似。相较于输出大量的每像素时空核的现有技术，我们的方法显著降低了网络输出的维度。这使得我们能够有效地利用较大的去噪核，从而获得比现有技术更快的运行时间和显著的质量改进（超过 1dB PSNR）。

Dec, 2019

迭代残差 CNN 在连拍摄影应用中的应用

本文介绍了一种基于迭代卷积网络的低质量图像拍摄技术，该技术利用爆发式拍摄的图像帧进行高质量图像的恢复和去噪，并在爆发式拍摄流程中进行了多项改进，方法展现出稳定的性能，不受帧数、顺序等限制。

Nov, 2018

深度爆发降噪

本文研究了在低光照条件下使用 burst-capture 拍摄策略，使用基于循环卷积神经网络的智能集成方式进行多帧图像去噪处理。经实验证明，该方法在图像去噪方面具有最优表现，并且也可以用于图像增强和超分辨率处理。

Dec, 2017

CANDID: 深度爆发图像去噪的对应校准

本文提出了一种使用光流进行深层爆发图像去噪的方法，通过建立对应关系、预处理和像素级滤波等方式，使其在图像去噪方面实现最先进的结果。

Jun, 2023

图像连拍去模糊的端到端学习

本文提出了一种基于神经网络模型的多帧盲反卷积新方法，通过采用两种最近的图像去模糊技术并结合成单个神经网络结构的鉴别方法来进行图像去模糊，该混合架构结合了卷积核的显式预测和频域 Fourier 系数的非平凡平均值，为了充分利用爆发中所有图像中包含的信息，该网络嵌入较小的网络，可以在早期层中显式地允许模型在图像间传递信息，并使用一组人工生成的培训示例来进行端对端的训练，实现了多帧盲反卷积的竞争性能，既具有质量又具有运行时间。

Jul, 2016

使用循环完全卷积网络进行端到端暗爆图像去噪

本文提出了一种基于递归全卷积网络（RFCN）的方法，处理在极低光条件下拍摄的连拍照片，通过端到端处理实现降噪、色彩校正和增强，取得了优于现有方法的效果。

Apr, 2019

通过原始图像序列的微调实现联合去马赛克和降噪

本篇论文提出了一种使用卷积神经网络从镶嵌图像直接学习去马赛克，而不需要真实 RGB 数据的方法，并应用于从 RAW 图像中学习联合去马赛克和去噪的技术，进一步证明 Fine-Tuning 带来的优势。

May, 2019

NAN: 适用于爆发去噪的噪声感知神经辐射场

该研究使用神经辐射场方法处理像素错位和噪声问题来提升拍摄设备的图像质量和降噪能力。

Apr, 2022

学习增强极暗图像的暴发摄影

本文提出了一种新的粗到细的神经网络架构，通过采用多张暗光照片进行融合并利用学习来处理图像，从而在极低光条件下提高图像质量

Jun, 2020