AAAIApr, 2019

基于 AWGN 的降噪器遇到真实噪声

PDF
TL;DR本文提出了一种使用 Pixel-shuffle Down-sampling 策略的新方法，该方法通过训练一个深度模型（由噪声估计器和去噪器组成）使用混合的 AWGN 和 RVIN 数据，从而提高使用合成独立像素噪声数据训练的实际图像去噪器返回结果的效果和泛化性能，并在 DND 基准测试的实际 sRGB 图像中取得了最先进的性能。
发现论文，激发创造
  • 通过相机管道模拟生成去噪实际 RGB 图像训练数据

    本文研究基于真实噪声模型的图像降噪方法，在相机管道中模拟真实的图像噪声和降噪，发现噪声模型对学习模型效果的提升有重要作用，通过模拟降噪和图片拼合进而提高噪声模型的真实度和效果。

    Apr, 2019

  • 现实世界噪声图像去噪：一个新基准

    通过构建一个包含具有综合性的不同自然场景下的真实噪声图像的新基准数据集，并在其上评估了各种图像去噪方法（包括之前的数据集），证明近期针对稀疏或低秩理论设计的方法实现了更好的去噪效果，更为稳健，并且新提出的数据集更具挑战性。该数据集现已公开，供研究人员研究新的现实世界图像去噪方法。

    Apr, 2018

  • 基于 Swin-Conv-UNet 和数据合成实现的实用式盲去噪

    本文旨在从网络架构设计和训练数据合成的角度解决当前真实图像去噪的问题，提出了一种新的网络架构设计和噪声退化模型，分别插入到 UNet 框架中从而达到当前最先进的性能水平。

    Mar, 2022

  • 通过像素级噪声感知对抗训练学习生成逼真噪声图像

    该研究提出了一种生成高度仿真的实际噪声图像的方法，为深度学习去噪提供了更加真实的数据集，克服了过去需要大量真实噪声 - 干净图像对来进行监督的限制。该方法使用噪声模型进行噪声分布对齐和图像对齐，并通过 Pixel-level 噪声感知生成对抗网络（PNGAN）进行像素级别的噪声域对齐，实现了高质量的去噪效果。

    Apr, 2022

  • 面向真实照片的卷积盲降噪

    该研究提出了使用真实噪声模型和真实的噪声 - 清晰图像对训练卷积盲去噪网络 (CBDNet) 来提高深度卷积神经网络去噪模型的泛化能力，并嵌入了噪声估计子网络，以提供一种交互式策略来纠正去噪结果，实验结果显示 CBDNet 在实际噪声照片的三个数据集上表现优异。

    Jul, 2018

  • CycleISP：通过改进数据合成进行真实图像恢复

    本文提出了一种模拟相机成像管道的框架，使得可以生成更为真实的图像数据对于消噪任务进行训练，实验表明，基于该框架训练的模型在真实相机上具有目前最优异的消噪效果。

    Mar, 2020

  • 原始降噪中噪声合成和建模的反思

    本文介绍了通过直接从传感器的真实噪声中采样来合成噪声的新视角，并提出了两种有效的技术：基于模式对齐的图像块采样和高位重建来精确合成空间相关噪声和高位噪声。对 SIDD 和 ELD 数据集进行了系统实验，结果表明，该方法表现优于现有方法，对不同传感器和光照条件具有广泛的推广性，且 DNN-based 噪声建模方法不能胜过基于物理统计方法。

    Oct, 2021

  • 扩散模型实现逼真噪声合成

    该研究论文提出了一种基于扩散模型的合成逼真噪声的新方法，用于为困难获得真实数据的情景下的训练去噪模型提供大量高质量的数据，并在多个基准测试上证明了其方法的优越性.

    May, 2023

  • 一种超越高斯去噪器的深度卷积神经网络残差学习方法用于图像去噪

    本文研究了前馈降噪卷积神经网络（DnCNN）的构建，引入残差学习和批归一化技术，进一步提高图像降噪性能，并实现了单一模型处理多种图像降噪任务，如高斯降噪、单张超分辨率和 JPEG 图像去块等。实验表明，基于 GPU 计算的 DnCNN 模型不仅在多种图像降噪任务中表现出高效性，而且能够高效地实施。

    Aug, 2016

  • AP-BSN: 基于非对称 PD 和盲区网络的自监督去噪技术，适用于现实世界图像

    提出了一个全新的 自监督盲点网络（BSN）方法， Asymmetric PD (BSN) 可以更好地应对现实中空间相关的噪声，并且不使用任何外部噪声参数就能在自监督的情况下实现对现实世界的真实图像进行去噪处理，达到了当前最优的去噪效果。

    Mar, 2022