面向类别的全卷积高斯和泊松去噪
本文介绍了使用卷积神经网络和 Poisson 分布进行图像去噪的方法,通过特定峰值的图片训练网络可以显著提高图像去噪效果,并且此方法灵活、数据驱动,速度更快。同时,结合图像先验信息,处理同类别图片可以进一步提高性能表现。
Jan, 2017
我们设计了一种新颖的网络架构,用于学习区分图像模型,以有效地解决灰度和彩色图像去噪问题。所提出的模型能够使用一组学习参数来处理广泛的噪声水平,同时对于降低潜在图像的噪声与训练期间使用的噪声统计不匹配时表现出非常强的稳健性。
Nov, 2017
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
本文研究了前馈降噪卷积神经网络(DnCNN)的构建,引入残差学习和批归一化技术,进一步提高图像降噪性能,并实现了单一模型处理多种图像降噪任务,如高斯降噪、单张超分辨率和 JPEG 图像去块等。实验表明,基于 GPU 计算的 DnCNN 模型不仅在多种图像降噪任务中表现出高效性,而且能够高效地实施。
Aug, 2016
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
本论文提出了基于卷积结构的深度高斯过程模型,是一种基于贝叶斯原则的图像分类方法,能够有效的利用局部特征,改善了传统的高斯过程方法在 MNIST 和 CIFAR-10 数据集上的分类准确性,尤其是 CIFAR-10 数据集上准确率提高了超过 10 个百分点。
Oct, 2018
用卷积神经网络进行图片去噪是计算摄影学中重要的工具,本研究提出了一种新的全卷积网络结构,使用扩张卷积实现盲点性质,该网络在已有数据集上表现优于之前的工作并取得了最新成果。
Aug, 2020