Jan, 2019

基于多级卷积神经网络的光学条纹图案过滤

PDF
TL;DR本文介绍了一种基于深度学习和规则化技术的光学条纹图象去噪方法，可以有效去除条纹图象中的噪声，提高提取相位场的准确性和鲁棒性。实验结果表明，该方法在去除噪声的同时，能够保留条纹图象的主要特征，速度较快，具有一定的竞争力。
发现论文，激发创造
  • 用于条纹图案滤波和归一化的深度神经网络

    本研究提出了一种基于深度神经网络的新的凹凸条纹图案 FP 去噪和标准化的框架，并使用 U-net，V-net 模型对其进行模拟和改良，对不同噪声和分布的 FP 进行实验评估，证明其重要性和潜力。

    Jun, 2019

  • 利用深度学习进行条纹图案分析

    本文介绍如何使用深度神经网络对载波光栅进行分析，并在实验中证明这种方法的准确度和优越性。

    Jul, 2018

  • 使用卷积神经网络进行 SAR 图像除斑

    本研究提出了一种基于深度学习的方法，即图像去斑卷积神经网络（ID-CNN），用于自动从输入的噪声图像中去除斑点。它使用一组卷积层、批量归一化和修正线性单元激活函数以及分量分裂残差层来估计斑点，并使用欧几里得损失和总变分损失的组合进行端到端的训练，与现有的非常规斑点降噪方法相比，在合成和实际 SAR 图像上都取得了显著的改进效果。

    Jun, 2017

  • 使用深度学习进行增强的条纹到相位框架

    通过使用 SFNet 模型，我们提出了一种基于两个 fringe 图像的相位恢复方法，实现了高精度的 3D 重建，解决了使用有限数量的 fringe 图案的挑战。

    Feb, 2024

  • FPANet: 使用基于频率的帧级后对齐技术进行视频去褶皱演示

    本文提出了一种名为 FPANet 的模型，该模型在频率和空间域中学习滤波器，通过学习提取帧不变特征和输出更好质量的时间一致图像，改善了移除各种大小 Moire 图案的恢复质量，并用公开数据集展示了其优越性。

    Jan, 2023

  • 利用多分辨率卷积神经网络进行 Moiré 照片恢复

    本文提出了一种新型的多分辨率完全卷积网络，用于自动从照片中去除莫尔纹，该网络对输入图像进行非线性多分辨率分析，计算如何在每个频带内消除莫尔纹，该网络在 $100,000^+$ 个图像对的大规模基准数据集上实现了最先进的效果，相对于现有的图像恢复问题的学习架构。

    May, 2018

  • 卷积神经网络去噪 SAR 图像

    利用卷积神经网络学习判别模型以去噪 SAR 图像，该网络采用残差学习策略，训练时考虑多时相 SAR 图像及其多视版本，实验结果表明，与现有技术相比，该方法表现更好。

    Apr, 2017

  • 非局域强化卷积神经网络图像去噪

    该研究提出了一种基于非局部稀疏性的深度卷积神经网络去噪范式，结合了卷积神经网络和非局部滤波器，证明了在大型灰度图像数据集上具有最先进的性能。

    Mar, 2018

  • 使用深度神经网络识别自然图像去噪的重复过程

    本论文提出了一种使用深度神经网络和内部图像统计来处理图像去噪的新方法，该方法在子波系数匹配方面表现出色，其性能达到了最先进水平，特别是对于具有强烈噪声干扰的图像，其效果更加明显，而且可以使用有限的训练数据进行训练。

    Jun, 2018

  • 级联卷积残差去噪网络实现深度图像去马赛克

    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