Jun, 2018

使用深度神经网络识别自然图像去噪的重复过程

PDF
TL;DR本论文提出了一种使用深度神经网络和内部图像统计来处理图像去噪的新方法，该方法在子波系数匹配方面表现出色，其性能达到了最先进水平，特别是对于具有强烈噪声干扰的图像，其效果更加明显，而且可以使用有限的训练数据进行训练。
image denoisingdeep neural networkinternal image statisticssub-band coefficientsstate-of-the-art performance
发现论文，激发创造
  • 深度神经网络降噪的速率最优化

    使用生成网络和自编码器对带有噪声的图像进行去噪，当给定一个 $k$ 维码时，自编码器能将噪声能量减小到 $O (k/n)$，并且使用一个梯度算法的生成模型能将噪声能量降低到 $O (k/n)$。

    May, 2018

  • 卷积神经网络的非局部彩色图像去噪

    本研究提出了一种基于非局部图像模型的新型深层网络结构，用于灰度和彩色图像去噪，并通过实验验证，表明该非局部模型在所有测试噪声水平下均实现了最佳的去噪性能，同时能够与卷积神经网络进行直接连接，并利用深度学习中 GPU 计算的最新进展，在其固有的并行性上实现高效实现。

    Nov, 2016

  • 基于去噪先验的深度神经网络图像恢复方法

    本文提出了基于去噪的图像恢复算法，将其迭代过程展开为深度神经网络，利用卷积神经网络的多尺度冗余性和观察模型的先验知识，并通过端到端训练，使去噪器和反投影模块可以共同被优化，实现了对多种图像恢复任务的有竞争力和实时状态的最新结果。

    Jan, 2018

  • 图像去噪中的深度学习：概述

    本文对深度学习在图像去噪中的应用进行了比较研究，区分了不同类型的卷积神经网络的使用场景，比较了不同方法在公共图像去噪数据集上的表现，并指出了未来研究的挑战和方向。

    Dec, 2019

  • 去噪：从传统方法到深度卷积神经网络

    该论文探讨图像去噪的演变过程，从傅里叶分析和小波基础方法到神经网络，尤其是 U-Net 的出现。神经网络在 2010 年代的研究中展现出卓越的性能，适用于各种图像类型，包括具有固定规律性、人脸图像和卧室场景，以及对几何适应性调和基础有偏好的结果。引入分数扩散在图像生成中起着关键作用，图像去噪在这一背景下变得至关重要，因为它有助于概率密度的估计。我们讨论了真实学习概率密度的先决条件，并提供了从数学研究到通用结构的深入洞察。

    Apr, 2024

  • 使用多层感知器进行图像去噪，第一部分：与现有算法及边界的比较

    本文中，我们使用简单的多层感知器（MLP）应用于图像块来直接学习从嘈杂的图像到无噪声图像的映射，并通过训练大型图像数据库，我们能够超越当前最先进的图像降噪方法并获得优秀的成果，同时在其他类型的噪声方面也取得了出色的结果，此外，结合块匹配程序可以进一步提高性能。

    Nov, 2012

  • 基于类别特定卷积的高效深度图像去噪

    本文提出了一种基于像素分类的高效深度神经网络用于图像去噪，通过使用 Class Specific Convolution (CSConv) 图层替换已存在去噪网络的卷积图层以及 U-net 像素分类器，能够降低计算成本并且不会牺牲去噪性能。

    Mar, 2021

  • PatternNet: 基于深度神经网络的视觉模式挖掘

    本文研究了视觉模式挖掘的问题，并提出了一种名为 PatternNet 的新型深度神经网络结构，用于发现具有辨别性和代表性的模式。使用卷积神经网络中的卷积层滤波器来查找局部一致的可视化块，通过组合这些过滤器，我们可以有效地发现独特的视觉模式，从而提高了视觉识别的性能和效率。

    Mar, 2017

  • 使用图卷积神经网络进行图像去噪

    本文中，作者提出了一种使用图卷积层的卷积神经网络，以利用局部和非局部相似性以实现去噪任务，并取得了比传统卷积神经网络更好的效果。

    May, 2019

  • 基于块匹配的卷积神经网络图像去噪

    本文提出了一种结合 NSS 先验和 CNN 的块匹配卷积神经网络（BMCNN）方法，该方法可以恢复重复和不规则结构的图像去噪，并在实验结果上达到了最先进的性能。

    Apr, 2017