利用单一图像进行自监督学习的提出方法利用门控卷积进行特征提取及无参考图像质量评估引导训练过程,采用伯努利采样从输入图像数据集中选择样本进行训练,并通过平均来自训练网络具有中断的各个实例的生成预测来产生相应结果,实验结果表明所提出的方法在合成和真实世界数据集上实现了最先进的去噪性能,突显了该方法作为各种噪声去除任务的有效性和实用性。
Jul, 2023
利用一种新颖的训练方法,基于有噪声图像的非组织集合来培训高质量的图像去噪模型,通过采用具有感受野盲区的网络来消除对参考数据的需要,提高了图像质量和训练效率,最终结果质量与最先进的神经网络去噪器相当。
Jan, 2019
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
本文提出了一种新的自监督去噪框架 Noise2Same,不需要 J - 不变性或额外的噪声模型信息,可在更广泛的去噪应用中使用,实验证明 Noise2Same 在去噪性能和训练效率方面显著优于以往的自监督去噪方法。
Oct, 2020
提出了一种自监督的方法来训练多帧视频去噪网络,利用光流对齐之后惩罚预测帧和相邻目标帧之间的误差,实现了针对不同类型噪声的盲去噪,且在在线自我学习阶段表现优异。
Apr, 2020
提出了一种基于盲点网络(blind-spot networks)的有条件盲点网络(C-BSN),采用随机子采样器进行空间去相关降噪,并在实际数据集上实现了最先进的性能。
Apr, 2023
通过多角度自监督解缠方法 (MeD),本文在合成噪声和真实噪声的实验分析中展现了该方法在未见过的新噪声类型上相对于之前的自监督方法的卓越性能。在真实噪声上,该方法的性能甚至超过了其监督对照组超过 3 dB。
Sep, 2023
利用深度卷积神经网络(CNN)开发了一种图像去噪方法:Noise2Inverse,可以应用于线性图像重建算法,无需任何额外的干净或噪声数据,通过利用噪声模型计算多个统计独立的重建来实现训练,该方法在模拟 CT 数据集和现实实验数据集中均显示出优于现有状态下的图像去噪方法和传统重建方法,能够显著降低噪声。
Jan, 2020
该论文提出了一种实用的无监督图像去噪方法,其只需要单个有噪声的图象和噪声模型,通过迭代的方式训练模型来实现去噪,得到了目前最先进的去噪效果,并构建了高质量的原始图像数据集 SenseNoise-500,以作为更好评估原始图像去噪性能的强大基准。
Nov, 2021
基于深度学习的去噪器是图像去噪领域最近发展的焦点,本文提出了一种基于追踪约束损失函数和 LoTA-N2N 模型的方法来弥合无监督学习和监督学习之间的差距,并在自然图像和共焦图像数据集上取得了最新的零样本自我监督图像去噪方法的优秀表现,无需依赖于任何对噪声的假设。
Mar, 2024