CVPRDec, 2018

一种具有真实荧光显微镜图像的泊松 - 高斯去噪数据集

PDF
TL;DR本研究构建了 Fluorescence Microscopy Denoising (FMD) 数据集，并采用该数据集对 10 种代表性降噪算法进行了基准测试，结果表明深度学习方法具有最佳性能。该数据集是用于泊松高斯噪声去噪目的下的第一个真实显微图像数据集，可成为生物医学研究中高质量、实时去噪应用的重要工具。
发现论文，激发创造
  • 使用即插即用去噪器的基于波动的荧光显微镜反卷积

    采用插入式噪声去噪方法，代替现有的图像正则化器，并结合二阶统计量来训练卷积图像去噪网络，从而更适应于样本几何结构，在真实荧光显微图像数据上验证出能够正确地重建纤维结构，具有高峰值信噪比。

    Mar, 2023

  • 自监督泊松 - 高斯去噪

    本文提出了一种改进的自监督去噪模型，该模型可以处理 Poisson-Gaussian 噪声，并且避免使用超参数，在低光显微镜等某些应用领域中取得了较好的性能表现，评估结果表明该模型优于其他基准模型。

    Feb, 2020

  • 低光照图像的深度卷积降噪

    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

  • PPFM: 单步后验采样泊松流生成模型在光子计数 CT 图像去噪中的应用

    Poisson flow generative models (PPFM) for low-dose CT image denoising outperforms diffusion models with a significantly reduced number of function evaluations (NFE=1).

    Dec, 2023

  • 学习驱动的不确定性自适应获取用于光子效率多光子显微镜

    我们提出了一种能够同时去噪和预测多光子成像测量像素级不确定性的方法，提高了算法的可靠性并为深度学习预测提供了统计保证。通过学习得到的像素级不确定性，我们提出了一种自适应采集技术，仅重新扫描样本中最不确定的区域。在实验噪声多光子成像测量人类子宫内膜组织方面，我们展示了我们能够保持精细特征并在每个像素上优于其他去噪方法的能力。最后，通过我们的自适应采集技术，我们展示了在成功恢复样本中的细节特征的同时，采集时间和总光剂量减少了 120 倍。我们是首先在真实实验数据上展示了无分布不确定性量化的去噪任务的方法，并首次提出了基于重建不确定性的自适应采集。

    Oct, 2023

  • 图像去噪和光子的生成积累

    本文提出了一种新的自监督去噪策略，并基于空画布上的迭代采样，导出了完整的生成模型，使用荧光显微镜数据集进行了数量和质量评估，优于监督、自监督和非监督基准模型。

    Jul, 2023

  • RENOIR - 用于真实低光图像降噪的数据集

    该论文介绍了一个包含自然噪声的彩色图像数据集，并提出了一种噪声估计方法，然后使用这个数据集对六种去噪算法进行了评估，结果表明 MLP、Bilevel-MRF 和软阈值 NL-means 在这个数据集上超越了 BM3D。

    Sep, 2014

  • 使用真实照片进行去噪算法基准测试

    本文提出了一种针对真人照片的图像去噪方法，并捕捉了一组包含真实噪声的消费级相机图像数据集，即 Darmstadt Noise Dataset，通过实验证明，近期的一些表现优异的方法在真实噪声情况下被 BM3D 明显地击败。

    Jul, 2017

  • 利用去噪扩散概率模型和流场生成注释的生物医学视频

    生物医学领域中细胞分割和跟踪在癌症研究、药物开发和发育生物学中起到至关重要的作用，为了自动化这些过程，提出了基于深度学习的分割和跟踪方法，尤其是面对生物医学成像领域中有限的标注数据，我们提出了生物医学视频扩散模型（BVDM），它能生成逼真的细胞显微视频，并通过大规模合成数据集提高细胞分割和跟踪模型的性能。

    Mar, 2024

  • 使用深度维纳 - 科尔莫戈洛夫滤波器进行显微图像恢复

    本研究提出了一种基于深度学习的图像去模糊与降噪算法，应用于显微镜下的细胞和组织图像重建中，与现有方案相比具有更好的表现和低计算复杂度。同时，也成功解决了泊松图像去模糊问题。

    Nov, 2019