Feb, 2019

用于去噪爆炸图像的多核预测网络

PDF
TL;DR本论文提出了基于深度神经网络的多核预测网络（MKPN）来进行突发图像去噪，通过预测不同大小的核并将这些不同核的融合得到每一个像素的核，可有效提取不同信息实现更好的重建，实验结果表明 MKPN 方法在不同噪声级别的合成数据集上优于现有方法。
low-light photographyimage denoisingdeep neural networkskernel predictionburst imaging
发现论文，激发创造
  • 核预测网络进行突发噪声去除

    本文提出了一种技术，用于联合去噪从手持相机拍摄的一连串图像。特别地，我们提出了一个卷积神经网络体系结构，用于预测空间变化的核对齐和去噪，一种基于真实噪声形成模型的合成数据生成方法，以及通过一个退火损失函数指导的优化，以避免不良的局部最小值。我们的模型在真实数据和合成数据的宽范围噪声水平上与现有技术相匹配或表现优越。

    Dec, 2017

  • 基于预测网络的大核有效爆炸去噪

    通过预测一组全局基础核和相应的混合系数 -- 它们特定于个别像素，我们引入了一种新的基础预测网络来表示核，这些图像在时间和空间上显着自相似。相较于输出大量的每像素时空核的现有技术，我们的方法显著降低了网络输出的维度。这使得我们能够有效地利用较大的去噪核，从而获得比现有技术更快的运行时间和显著的质量改进（超过 1dB PSNR）。

    Dec, 2019

  • 深度爆发降噪

    本文研究了在低光照条件下使用 burst-capture 拍摄策略，使用基于循环卷积神经网络的智能集成方式进行多帧图像去噪处理。经实验证明，该方法在图像去噪方面具有最优表现，并且也可以用于图像增强和超分辨率处理。

    Dec, 2017

  • CANDID: 深度爆发图像去噪的对应校准

    本文提出了一种使用光流进行深层爆发图像去噪的方法，通过建立对应关系、预处理和像素级滤波等方式，使其在图像去噪方面实现最先进的结果。

    Jun, 2023

  • 迭代残差 CNN 在连拍摄影应用中的应用

    本文介绍了一种基于迭代卷积网络的低质量图像拍摄技术，该技术利用爆发式拍摄的图像帧进行高质量图像的恢复和去噪，并在爆发式拍摄流程中进行了多项改进，方法展现出稳定的性能，不受帧数、顺序等限制。

    Nov, 2018

  • 基于像素级内核估计的盲运动去模糊：基于内核预测网络

    基于深度学习的运动模糊估计与非盲解卷积方法的学习式去模糊提供了使用前向退化模型的明确定义规范，同时实现了算法的泛化和可解释性，并通过基于卷积的非均匀运动模糊降级模型进行训练和评估，展示了准确的模糊估计以及优于现有端到端深度学习方法的真实模糊图像恢复效果。

    Aug, 2023

  • 使用循环完全卷积网络进行端到端暗爆图像去噪

    本文提出了一种基于递归全卷积网络（RFCN）的方法，处理在极低光条件下拍摄的连拍照片，通过端到端处理实现降噪、色彩校正和增强，取得了优于现有方法的效果。

    Apr, 2019

  • 可变形核网络用于联合图像滤波

    该论文提出了 DKN 卷积神经网络架构及其高效实现，使用稀疏且空间可变的滤波核进行图像增强和降噪，并在深度图上采样，显著优于现有技术。

    Oct, 2019

  • 学习增强极暗图像的暴发摄影

    本文提出了一种新的粗到细的神经网络架构，通过采用多张暗光照片进行融合并利用学习来处理图像，从而在极低光条件下提高图像质量

    Jun, 2020

  • 使用多层感知器进行图像去噪，第一部分：与现有算法及边界的比较

    本文中，我们使用简单的多层感知器（MLP）应用于图像块来直接学习从嘈杂的图像到无噪声图像的映射，并通过训练大型图像数据库，我们能够超越当前最先进的图像降噪方法并获得优秀的成果，同时在其他类型的噪声方面也取得了出色的结果，此外，结合块匹配程序可以进一步提高性能。

    Nov, 2012