Feb, 2018

基于生成对抗网络的感知优化联合去马赛克和降噪

PDF
TL;DR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。
image demosaicingcolor-filter-arraysgenerative adversarial networksdenoisingperceptual optimization
发现论文，激发创造
  • 野外联合去马赛克和降噪：在真实情况下降低地面真实性不确定性的情况

    本研究提出和研究了一种名为 Wild-JDD 的新型联合去马赛克和去噪声的学习框架，并成功实现了对于数字相机管道中图像去马赛克和去噪声的高效处理。

    Jan, 2021

  • 双重深层图像先验的联合去马赛克和去噪

    我们提出了一种新的联合去马赛克和降噪方法，名为 JDD-DoubleDIP，它直接在单个 RAW 图像上操作，无需任何训练数据。实验结果表明，我们的方法在 PSNR、SSIM 和质量视觉感知等方面始终优于其他比较方法。

    Sep, 2023

  • 利用残差降噪网络进行迭代式联合图像去马赛克和降噪

    本文提出了一种新的既刻画又透明的迭代优化算法，通过联合去噪和去马赛克的方式，能够高效地处理数字相机图像的质量提升问题，相较于现有的无规则数据驱动算法，能够用更少的可训练参数快速训练，效果显著。

    Jul, 2018

  • 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

  • 联合去马赛克与超分辨率（JDSR）：网络设计与感知优化

    该研究通过提出一个联合去马赛克和超分辨率算法，使用一种最新的端到端优化模型，基于 RDSEN 网络和 TRaGAN 对质量进行优化，证明了联合去马赛克和超分辨率方法的实用性和合理性，并在拍摄自 NASA 火星好奇号和标准数码照片上得到了显著改进。

    Nov, 2019

  • 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

  • 双重对抗网络：朝着现实世界的噪声去除与噪声产生

    本研究提出了一个新的统一框架，旨在同时处理噪声消除和噪声生成任务，学习清洁 - 噪声图像对的联合分布，通过生成器映射干净图像到噪声图像和去噪器映射噪声图像到干净图像以逼近联合分布。本文还提出了两个衡量生成的噪声图像质量的指标，并在实验中证明了该方法在真实噪声消除和生成任务中的优越性。

    Jul, 2020

  • 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

  • 使用后验采样条件 GAN 实现高感知质量图像去噪

    本文提出了一种基于条件生成对抗网络的随机去噪方法，通过引入一种理论上基于中心极限定理的正则化惩罚项，以实现高感知质量和可接受失真度去噪。

    Mar, 2021

  • 利用感知辨别器进行图像操作

    本文介绍了一种将感知损失和基于对抗鉴别器的学习目标通过一个特殊的鉴别器网络框架结合起来，在未对齐的图像数据集上训练获得准确快速结果的新体系结构 —— 感知鉴别器。通过此体系结构在未对齐的图像翻译任务中取得了良好效果。

    Sep, 2018