深度图拉普拉斯正则化用于真实图像的鲁棒去噪
通过图形正则化,我们提出了一种快速的 Retinex-based 恢复方案,可以去噪和增强图像,从而在降低计算复杂性的同时实现竞争性可视图像质量。
Jul, 2023
本文提出了一种基于群体图核范数和学习图的深度图像去噪算法,通过分组来挖掘图像内在低秩特性,在去噪过程中加入了拓扑结构来表达平滑先验。实验结果表明,该方法在主客观指标上均优于当前的其他去噪方法。
Aug, 2020
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
卷积神经网络在图像生成、还原和修复中具有良好的性能,即使在没有训练数据的情况下,通过应用随机初始化的过参数化凸轮生成器拟合噪声和损坏的自然图像可以去除图像噪声。在这篇论文中,作者将这种现象归因于卷积网络的特定架构选择,即使用固定插值滤波器进行卷积,并证明早期停止的梯度下降可用于去噪和对其他逆问题进行正则化。
Oct, 2019
本文提出了一种基于图卷积操作的全新的可端到端训练的神经网络架构,该架构创建具有非局部感受野的神经元,从而利用网络的强大表示学习能力来发现自相似模式,并通过轻量级的基于边缘条件的卷积来解决梯度消失和过参数化问题。实验结果表明了在合成高斯噪声和真实噪声上的最先进性能和改进的定性和定量结果。
Jul, 2019
本文提出一种基于图卷积层的深度神经网络,能够优雅地处理学习型点云处理方法所遇到的置换不变性问题,通过动态构建邻域图来建立特征的复杂层次结构,与促进接近理想表面的损失相结合,该方法在各种指标上都明显优于现有方法,特别是在高噪声和结构噪声等实际情况下表现尤为稳健。
Jul, 2020
本文提出一种基于低维流形模型和图拉普拉斯正则化器的 3D 点云去噪方法,通过近似离散观测的流形维度计算,并且采用一种新的离散补丁距离度量来构建一个抗噪声的图形结构,并取得了比当前最先进方法更好的性能和更好的结构特征保持。
Mar, 2018
本文研究探讨通过使用去噪神经网络替代凸优化算法中的正则化程式近算,使得数据项和正则化项可以独立选择并结合。在图像去模糊和去马赛克问题中,通过使用固定的去噪神经网络,本文取得了最先进的重建效果,并且该方法具有很高的通用性和较少的问题特定训练需求。
Apr, 2017
本文使用流形正则化的概念开发了新的正则化技术,以训练具有局部稳定性的深度神经网络;我们的正则化器基于图拉普拉斯矩阵的稀疏化,当数据在高维空间中稀疏时,能够高概率地保持;经验证明,我们的网络表现出稳定性,并能够在不同的扰动模型下经受良好的检验;此外,我们的技术高效,并且与网络的额外两个并行前向传递的开销相当。
Mar, 2020