CVPRMay, 2019

GRDN: 用于真实图像去噪的分组残差密集网络和基于 GAN 的现实世界噪声建模

PDF
TL;DR本研究提出了一种名为 GRDN 的图像降噪卷积神经网络，采用了一个组合残差密集块，并结合一种基于生成对抗网络的现实世界噪声模型。实验证明，采用 GRDN 可以显著提高降噪性能，并在 NTIRE2019 实际图像降噪挑战赛或得了双方面指标的最高分数。
发现论文，激发创造
  • 图像恢复的残差稠密网络

    本文提出了一种新的残差密集网络（RDN），该网络从卷积层中充分利用层级特征，引入残余密集块（RDB）来提取丰富的局部特征，并允许直接连接，通过局部特征融合，以自适应地学习全局的分层特征。用于单张超分辨率、高斯图像去噪、图像压缩伪影去除和图像去模糊等多个任务，RDN 在基准和实际数据集上均取得了优异的性能。

    Dec, 2018

  • 图像超分辨率残差密集网络

    本文提出了一种新型的残差稠密网络 (RDN)，该网络通过引入残差稠密块 (RDB) 来充分利用原始低分辨率图像的层级特征，并通过局部特征融合和全局特征融合来稳定更广泛的网络培训，进而在基准数据集上展示了 RDN 相对于现有最先进的方法所取得的更高性能。

    Feb, 2018

  • 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

  • 深度高斯条件随机场网络：基于模型的深度网络用于区分降噪

    本文提出一种基于高斯条件随机场模型的图像去噪新颖网络架构，通过显式建模输入噪声方差，可处理多种噪声级别，分为参数生成和推断两大子网，并最终通过对峰值信噪比的最大化来进行端到端的判别式训练，实验证明，该模型在处理多种噪声级别的图像去噪任务中胜过现有的最优方法。

    Nov, 2015

  • 图像去噪的双残差注意力网络

    本文提出了一种基于 Dual-branch Residual Attention Network（DRANet）的图像降噪方法，通过增宽网络结构和注意力机制获得更好的去噪效果。实验证明，相比于其他已有的方法，该方法能够更好地处理合成和真实场景下的噪声。

    May, 2023

  • 图像去噪的两阶段渐进式残差稠密注意力网络

    设计了一种新的两阶段渐进残差密集注意力网络（TSP-RDANet）进行图像去噪，通过两个子任务逐步去除噪声，其中使用残差密集注意力模块（RDAM）和混合扩张残差密集注意力模块（HDRDAM）来设计两个基于注意力机制的去噪网络，以增强去噪效果。实验证实，与众多最新方法相比，所提出的 TSP-RDANet 在合成和真实噪声图像去噪方面取得了有利的结果。

    Jan, 2024

  • 基于特征注意力机制的真实图像去噪

    本文提出一种基于模块化结构及特征关注的单步盲目真实图像去噪网络 (RIDNet)，在三个合成噪声和四个真实噪声数据集上通过 19 个最先进的算法的评估，表明 RIDNet 在定量指标和视觉质量上均具有优越性。

    Apr, 2019

  • 用于图像去噪的深度信念网络

    本文提出了一种新的基于深度置信网络的图像去噪方法，在 MNIST 数据集上的应用结果显示，该方法在去噪方面取得了显著的成果。

    Dec, 2013

  • 使用核范数和学习图模型进行深度图像去噪

    本文提出了一种基于群体图核范数和学习图的深度图像去噪算法，通过分组来挖掘图像内在低秩特性，在去噪过程中加入了拓扑结构来表达平滑先验。实验结果表明，该方法在主客观指标上均优于当前的其他去噪方法。

    Aug, 2020

  • 通用去噪网络：一种新颖的用于图像去噪的 CNN 架构

    我们设计了一种新颖的网络架构，用于学习区分图像模型，以有效地解决灰度和彩色图像去噪问题。所提出的模型能够使用一组学习参数来处理广泛的噪声水平，同时对于降低潜在图像的噪声与训练期间使用的噪声统计不匹配时表现出非常强的稳健性。

    Nov, 2017