Jun, 2018

去噪正则化：澄清和新解释

PDF
TL;DR通过 Score-Matching by Denoising 框架提出了相对于 Regularization by Denoising 更加合理且可解释的算法，并且在加速和收敛性方面有所提升，并且发现 Regularization by Denoising 算法寻找共识平衡解，便于与 plug-and-play ADMM 进行比较。
regularization by denoisingplug-in image-denoisingscore-matching by denoisingacceleration and convergence guaranteesconsensus equilibrium solution
发现论文，激发创造
  • 机不可失，时不再来：通过去噪正则化（Denoising Regularization，RED）

    提出了一种名为 Regularization by Denoising (RED) 的基于去噪算法的正则化框架，通过显式的图像自适应基于 Laplacian 的正则化函数，可以非常有效地处理一般性逆问题，同时可以灵活地选择迭代优化过程，测试结果表明在图像去模糊和超分辨率问题上取得了最先进的结果。

    Nov, 2016

  • 在线去噪正则化在相位恢复中的应用

    本文研究正则化去噪技术在大型数据集下的应用，提出了一种在线正则化去噪算法（On-RED），并证明了在凸优化情况下的理论收敛性及对非凸问题的有效性，结果表明 On-RED 是一个有效的解决大型数据集问题的技术。

    Sep, 2019

  • RED-PSM: 动态成像中部分可分模型的去噪正则化

    通过结合部分可分离模型和 Denoising 正则化（RED），我们提出了一个优化方案，可以用于解决动态亚采样图像重建问题，并展示了与现有方法在性能和计算方面的改进。

    Apr, 2023

  • 通过去噪实现块坐标正则化

    本文针对使用仅通过去噪函数指定的先验从其噪声测量中估计向量的问题，提出了一种新的块协调等价正则化 - by-denoising（RED）算法，并理论分析了算法的收敛性及其与传统的近端优化的关系。

    May, 2019

  • 通过固定点投影去噪正则化（RED-PRO）

    该研究论文介绍了一种用于求解图像逆问题的新方法，根据投影最小化噪声引入一个基于稳定化策略的新的前景偏好正则化算法，受限的极小极大问题以及 RED-PRO 算法进行研究并给出了数学公式模型，然后给出了数值模拟实验结果。

    Aug, 2020

  • 使用无需地面真实数据学习的深度先验进行图像重建

    本文提出了一种基于去噪和去伪影的正则化算法 RARE，使用预训练的卷积神经网络作为先验，可以在采样数据较少的情况下重构出高质量的 3D MRI 影像。

    Dec, 2019

  • 有限数据下的磁共振成像场迁移重建：神经风格迁移正则化

    通过神经风格迁移和去噪引擎，我们提出了一种正则化神经风格迁移（RNST）的方法，用于通过有限数据重建高质量 MRI 图像，并验证了其在 MRI 重建中的能力和在限定数据情况下的潜力。

    Aug, 2023

  • 使用正则化逆扩散进行 MR 图像降噪和超分辨率

    该论文提出了一种新的去噪方法基于得分的反向扩散采样，通过该方法，我们的网络在仅训练冠状膝关节扫描的情况下，在复杂的混合噪声污染的体内肝脏 MRI 数据中表现卓越，并提出了一种用同一网络提高去噪图像分辨率的方法，通过大量实验表明，我们的方法在具有先进性能的同时具有优良的特性，这些先前的 MMSE 去噪器没有的：自由选择去噪程度和量化不确定性。

    Mar, 2022

  • 图像去噪的非局部参数方法统一框架

    我们提出了一种统一的非局部方法的观点，用于单图像去噪，其中 BM3D 是最流行的代表，根据它们的相似性将噪声补丁收集在一起以进行协同处理。我们的一般估计框架基于二次风险的最小化，在两个步骤中近似，并适应光子和电子噪声。在第一步中依靠无偏风险估计（URE），在第二步中依靠从深度学习理论中借鉴的 “内部适应” 概念，我们展示了我们的方法能够重新解释和融合先前的最先进的非局部方法。在这个框架内，我们提出了一种名为 NL-Ridge 的新型去噪算法，它利用了补丁的线性组合。虽然在概念上更简单，但我们展示了 NL-Ridge 可以胜过成熟的最先进的单图像去噪算法。

    Feb, 2024

  • DeepRED: 基于 RED 提供动力的深度图像先验

    该论文介绍了一种将深度学习技术与反问题相结合的方法 ——Deep Image Prior（DIP），并提出了一种新的正则化方法 Regularization by Denoising（RED），将 DIP 与 RED 相结合，建立了高效的无监督反问题恢复流程，并通过多个测试问题证明其有效性。

    Mar, 2019