Feb, 2018

学习深度卷积网络进行去马赛克

PDF
TL;DR本文提出了利用卷积神经网络（CNN）解决去马赛克问题的全面研究，包括实验表明 CNN 模型在 sRGB 和线性空间中同等有效，可用于任何 CFA 设计的去马赛克，并展示了自动发现的 CFA 模式和自动设计的去马赛克方法结合能够提高去马赛克结果的视觉效果。
convolutional neural networkdemosaicingbayer color filter arrayimage processingdata-driven optimization
发现论文，激发创造
  • 用于有效联合去马赛克 - 去噪的残差学习

    本文提出了一种优于当前最先进方法的图像去马赛克和降噪算法，该算法将传统的 CFA 处理流程中的处理顺序颠倒，首先进行图像去马赛克，然后进行降噪，避免了传统方法中的众多问题。算法利用卷积神经网络进行实现并具有处理高噪声的能力。

    Sep, 2020

  • 级联卷积残差去噪网络实现深度图像去马赛克

    本文提出了一种新的深度学习架构，应用场景为联合图像清晰化和去噪。与基于深度学习的现有方法相比，该网络需要较少的可训练参数，具有更为透明和清晰的解释能力，在噪声和非噪声数据上均优于其他方法并具有良好的泛化能力。

    Mar, 2018

  • 高效准确的高光谱图像解模糊神经网络架构

    神经网络架构在高光谱图像去马赛克中具有有效性，实验结果表明我们的网络模型在数据集上优于已有模型，并强调正确的光谱重建是实际应用中的关键。

    Dec, 2023

  • 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

  • Deep Camera: 用于图像信号处理的全卷积神经网络

    使用全卷积神经网络对摄像机拍摄的原始 Bayer 图像进行缺陷像素纠正、去噪、白平衡、曝光校正、解模糊、颜色转换和伽马编码的端到端处理，此神经网络是第一个进行完整图像信号处理流程处理的。通过实验，结果表明该系统的性能优于一般传统的处理流程。

    Aug, 2019

  • 拜耳模式和非拜耳模式图像传感器的高效统一去马赛克

    该研究提出了一种高效的统一解模糊方法，适用于传统的 Bayer RAW 和各种非 Bayer CFAs 的 RAW 数据，通过在网络中使用自适应滤波器对 CFA 进行知识学习，并利用元学习来消除真实 RAW 数据中的未知传感器产生的伪影，从而在合成图像和真实 RAW 数据中取得了最先进的解模糊性能。

    Jul, 2023

  • 走向无莫尔条纹和保留细节的去马赛克化

    分析 3D 卷积在图像去马赛克模型中所存在的问题，如 Moire 伪影和过度平滑，并提出一种新的卷积方法来加强在颜色和空间维度上的信息交流，针对图像去马赛克和降噪等任务验证该方法的效果。

    May, 2023

  • 深度残差网络实现联合插值和超分辨率

    本论文提出了一种使用深度残差网络联合执行 Bayer 图像去马赛克和超分辨率的方法，按照高质量样本训练的模型可在单步骤中从低分辨率 Bayer 马赛克图像中恢复高质量的超分辨率图像。实验表明，该方法优于目前的各种技术，并在定量和定性指标上取得了优异的表现。

    Feb, 2018

  • 一个旧困境的回顾：先去马赛克还是先去噪声？

    本文通过对多种图像去噪和去马赛克策略进行的广泛评估得出，最佳的重建全彩色图像的方法是先进行去马赛克，然后再进行去噪。但需要特定的去噪算法适应于去马赛克的噪声。

    Apr, 2020

  • 基于生成对抗网络的感知优化联合去马赛克和降噪

    该文提出了一种基于生成对抗网络的联合去马赛克和去噪方法，通过感知优化保证恢复图像的视觉质量，其结果在客观和主观质量指标上表现出优于现有先进技术的结果，且有可比性的计算成本。

    Feb, 2018