本文使用卷积神经网络对图像去噪,并将其与各种高级任务联合处理,使用联合损失更新去噪网络,证明了同时利用图像语义进行图像去噪及高级视觉任务的益处。
Jun, 2017
本文提出了一种新的深度学习架构,应用场景为联合图像清晰化和去噪。与基于深度学习的现有方法相比,该网络需要较少的可训练参数,具有更为透明和清晰的解释能力,在噪声和非噪声数据上均优于其他方法并具有良好的泛化能力。
Mar, 2018
通过卷积神经网络,我们提出了一种新的盲目图像降噪 CNN 架构,该架构综合了三个架构组件,包括多尺度特征提取层,l_p 规范化器以及三步训练方法,并与现有方法相比表现出具有竞争力的降噪性能。
Aug, 2017
本文提出了一种集成多尺度去噪器的新方法,用于联合图像压缩和去噪。通过强调噪声与干净图像之间的相关性,采用对比学习的方式来提高网络区分噪声与高频信号的能力,实验证明该方法在失真性能和编解码速度方面优于当前的最新技术水平。
Feb, 2024
本文提出了一种通用的 DualCNN 卷积神经网络,用于解决低级别视觉问题,如超分辨率、边缘保留滤波、降雨和去雾。DualCNN 由两个并行的分支组成,分别恢复结构和细节,是低级别视觉任务的一种灵活的框架,可以轻松地集成到现有的 CNN 中。实验结果表明,DualCNN 可以有效地应用于许多低级别视觉任务,在性能方面优于现有的方法。
May, 2018
本研究提出了一种基于深度自编码器和多模态学习启发的、用于手写图像的视觉恢复和识别联合框架,采用三通道深度结构,通过非线性映射将视觉恢复和分类统一使用共享表示。在 MNIST 数据和 USPS 数据上测试,本框架在分类上的表现比分离流程至少提高了 20%,且图像恢复更清晰。
Dec, 2016
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
本文提出了一种融合高层次信息以进行语义图像分割的卷积神经网络,使用三层生成结构包括高级编码,中级分割和低级图像进行全局信息分割,使用条件变分自编码器建立这三层之间的连接,提高了分割的精确度和性能。
Nov, 2015
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
本文提出了一种将高层次的概念融入卷积神经网络和循环神经网络的方法,实现了在图像字幕生成和视觉问答的最新技术性能上的显着提升,并展示了通过引入外部语义信息来进一步提高性能。在此过程中,我们分析了高级语义信息在视觉到语言问题中的价值。
Jun, 2015