基于序列分解的联合增强和降噪方法
该论文提出了一种基于深度学习的 Retinex 模型,可以更好地应对不同环境下光照不足的图像增强问题,通过红外辅助拍摄低光图像构建了一个 LOL(Low-Light)数据集,并使用其中的图像进行训练,实验结果表明该方法在增强低光图像质量方面具有很好的效果。
Aug, 2018
我们提出的信噪比感知联合解决方案利用局部和非局部特征对图像压缩和去噪进行同时处理,通过设计一个端到端可训练的网络,它包括主编码器分支、引导分支和信噪比感知分支,我们在合成和真实数据集上进行了广泛实验,证明我们的联合解决方案优于现有的最先进方法。
Mar, 2024
为了在低光图像中同时实现更高的压缩率和更好的增强性能,我们提出了一个新的图像压缩框架,并对低光图像增强进行联合优化。实验结果表明,我们提出的联合优化框架相对于现有的 “压缩后增强” 或 “增强后压缩” 顺序解决方案,在低光图像中实现了显着的改进。
May, 2023
本文提出了一种将低光图像增强模型拆分成两个阶段的方法,第一阶段侧重于基于像素级的非线性映射来提高场景的可见性,第二阶段侧重于通过抑制其余退化因素来提高外观保真度,本文的实验结果表明该模型在定性和定量比较中具有最先进的性能。
Nov, 2021
本研究提出了一种基于 Retinex 框架和卷积神经网络的逐渐增强低光照下图像的方法,既抑制了图像噪声的干扰,又大大提高了计算效率。同时,提出了一种基于相机成像模型的图像合成策略,有效解决了训练数据不足的问题。实验结果表明了该方法优于现有的低光照增强方法。
Nov, 2019
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
针对智能手机拍摄图像噪点问题,提出一种噪点感知的联合去噪与压缩图像算法,通过消除噪点并将其转换为无噪点位,以解决压缩图像时出现的误差位分配问题,实现了一个简单高效的两分支共享权重架构,并在合成和实际的数据集上获得了显著的性能提升。
Jul, 2022
通过引入创新的基于 Retinex 的视频分解策略,结合动态相邻帧的相关性和场景级连续性约束,以及双结构增强网络的交互机制,该研究实现了在低光环境下视频的增强和一致分解,超越了现有的方法,达到了最新的性能水平。
May, 2024
我们开发了一种无监督的方法,用于单幅图像的联合分割和去噪。我们结合了变分分割方法的优势和自监督单幅图像的深度学习方法的能力。我们的方法的一个主要优点在于,与需要大量标记样本的数据驱动方法相比,我们的模型可以将图像分割为多个有意义的区域,而无需任何训练数据库。此外,我们引入了一种新的能量函数,其中去噪和分割被耦合在一起,使得两个任务相互受益。我们提出了一种统一的优化策略,并展示了在显微镜中可用的非常嘈杂的图像方面,我们提出的联合方法在性能上优于其顺序对应物以及纯粹针对去噪或分割的替代方法。我们还与设计用于相同应用的监督深度学习方法进行了比较,突出了我们方法的良好性能。
Sep, 2023