ICCVJul, 2018

全卷积像素自适应图像去噪器

PDF
TL;DR本文介绍了一种新的图像去噪算法 —— 全卷积自适应图像去噪器 (FC-AIDE)，它能够学习离线监督训练集的全卷积神经网络，以及针对每个给定的噪声图像进行自适应微调。我们利用全新的全卷积架构提高了基础监督模型，并引入正则化方法进行自适应微调，使其具有更强的适应能力，从而在各种基准数据集上均优于最近提出的基于 CNN 的最先进的去噪器，在各种具有挑战性的场景下表现出色，如处理不匹配的图像 / 噪声特征或缺乏监督训练数据等。
image denoisingfully convolutional neural networkadaptive fine-tuningsupervised trainingregularization methods
发现论文，激发创造
  • FFDNet: 基于 CNN 快速灵活的图像去噪解决方案

    提出了一种快速而灵活的去噪卷积神经网络 FFDNet，具有可调的噪声等级映射作为输入，能够处理各种噪声水平并能去除空间变异噪声，且速度快于 BM3D。

    Oct, 2017

  • DoPAMINE：双面蒙版卷积神经网络用于像素自适应乘性噪声去斑

    介绍了基于神经网络的算法 DoPAMINE，其能在像素值仿射去噪器的框架下，对加性和乘性噪声进行去噪，通过实验证明，相较其它 CNN 算法，DoPAMINE 的性能更优。

    Feb, 2019

  • FBI-Denoiser: 基于 Poisson-Gaussian 噪声的快速盲图像去噪器

    论文提出了一种针对 Poisson-Gaussian 噪声的快速均值盲去噪（Fast Blind Image Denoiser，FBI-Denoiser），该算法使用两个神经网络模型（PGE-Net 和 FBI-Net），其中 PGE-Net 可以比传统方法快 2000 倍地估计 Poisson-Gaussian 噪声参数，而 FBI-Net 可以实现更高效的像素逐点仿射去噪器的盲点网络（BSN），并在多个实际噪声图像基准数据集上获得了最先进的性能和更快的推理速度（10 倍于 BP-AIDE）。

    May, 2021

  • 面向类别的全卷积高斯和泊松去噪

    本文提出了一种基于全卷积神经网络的图像去噪方法，既简单又强大，可以应对不同噪声水平和分布（高斯和泊松），并且利用语义类信息实现了类感知。

    Aug, 2018

  • 通过增益调整的自适应去噪

    本研究提出了一种名为 "GainTuning" 的方法，该方法通过调节卷积神经网络中每个通道的单个比例因子，使预先训练的深度卷积神经网络 (CNNs) 在适用于实际测试图像时能够自适应性的提高去噪性能。通过在多项标准图像去噪数据集上的实验也表明，该方法具有比当今最先进的方法更好的性能表现。

    Jul, 2021

  • 单图像去噪的空间自适应网络

    本文提出了一种新颖的空间自适应去噪网络（SADNet），使用卷积神经网络，设计了残差空间自适应块，在采样时引入可变变形卷积以加权样本的空间相关特征，并引入了具有上下文块的编码器 - 解码器结构以捕获多尺度信息，通过从粗到细的噪声去除，可以获得高质量的无噪声图像。在实验结果中，我们的方法在量化和视觉上均优于现有的去噪方法。

    Jan, 2020

  • 神经网络通用离散去噪器

    利用 DNN 设计通用的离散去噪器（Neural DUDE），无需额外的训练数据，通过伪标签和新颖的目标函数实现无监督学习，能够在选择超参数的系统规则条件下，在多个应用中显著优于现有技术。

    May, 2016

  • 高质量自监督深度图像去噪

    利用一种新颖的训练方法，基于有噪声图像的非组织集合来培训高质量的图像去噪模型，通过采用具有感受野盲区的网络来消除对参考数据的需要，提高了图像质量和训练效率，最终结果质量与最先进的神经网络去噪器相当。

    Jan, 2019

  • AdvFilter：基于多域学习的预测性扰动感知过滤对抗攻击

    本文旨在探究使用滤波技术的像素去噪方法对于神经网络的鲁棒性增强效果，研究表明相比于基于像素加法的方法，像素滤波技术不仅能取得更高的图像质量而且对于对抗性样本的准确率也有更好的提高。为了解决滤波方法在训练过程中依赖于对抗样本敌扰幅度的问题，文章提出了一种名为 AdvFilter 的方法，该方法集成了双扰动滤波和不确定性感知模块，在训练和测试的过程中能够自动感知其噪声水平，提高了准确率。通过在多个数据集上的实验，研究者还发现考虑数据和模型的联合训练方法能够进一步提高神经网络的鲁棒性。

    Jul, 2021

  • 将像素转化为杰作：使用一种新型分布式去噪卷积神经网络（DDCNN）实现基于人工智能的艺术修复

    本研究论文提出了一种使用深度学习，特别是卷积神经网络（CNNs），与计算机视觉技术相结合的创新方法来革新艺术修复领域。通过创建多样化的退化艺术图像数据集，我们训练了一个分布式去噪卷积神经网络（DDCNN），该网络能够去除失真并保留复杂的细节，可适用于绘画、素描和照片等多种退化艺术品。大量实验证明了我们方法相对于传统技术的高效性和有效性，使退化艺术品焕发出新的风采。定量评估结果证实了我们方法的优越性，重塑了艺术修复领域，为保护文化遗产开辟了新的道路。总之，本论文引入了一种结合计算机视觉和深度学习的基于人工智能的解决方案，通过 DDCNN 准确恢复艺术品，克服了传统方法的局限性，并为艺术修复领域的未来进步铺平了道路。

    Oct, 2023