使用图卷积神经网络进行图像去噪

May, 2019

使用图卷积神经网络进行图像去噪

Image Denoising with Graph-Convolutional Neural Networks

Diego Valsesia, Giulia Fracastoro, Enrico Magli

TL;DR本文中，作者提出了一种使用图卷积层的卷积神经网络，以利用局部和非局部相似性以实现去噪任务，并取得了比传统卷积神经网络更好的效果。

Abstract

Recovering an image from a noisy observation is a key problem in signal processing. Recently, it has been shown that data-driven approaches employing convolutional neural networks can outperform classical model-based techniques, because they can capture more powerful and discriminative

denoising convolutional neural networks graph-convolutional layers latent correlations signal processing

发现论文，激发创造

深度图卷积图像去噪

本文提出了一种基于图卷积操作的全新的可端到端训练的神经网络架构，该架构创建具有非局部感受野的神经元，从而利用网络的强大表示学习能力来发现自相似模式，并通过轻量级的基于边缘条件的卷积来解决梯度消失和过参数化问题。实验结果表明了在合成高斯噪声和真实噪声上的最先进性能和改进的定性和定量结果。

Jul, 2019

卷积神经网络的非局部彩色图像去噪

本研究提出了一种基于非局部图像模型的新型深层网络结构，用于灰度和彩色图像去噪，并通过实验验证，表明该非局部模型在所有测试噪声水平下均实现了最佳的去噪性能，同时能够与卷积神经网络进行直接连接，并利用深度学习中 GPU 计算的最新进展，在其固有的并行性上实现高效实现。

Nov, 2016

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

学习图卷积表示用于点云去噪

本文提出一种基于图卷积层的深度神经网络，能够优雅地处理学习型点云处理方法所遇到的置换不变性问题，通过动态构建邻域图来建立特征的复杂层次结构，与促进接近理想表面的损失相结合，该方法在各种指标上都明显优于现有方法，特别是在高噪声和结构噪声等实际情况下表现尤为稳健。

Jul, 2020

使用图卷积神经网络统一局部与非局部信号处理

本文提出一种基于图卷积神经网络的本地和非本地信号处理的统一框架，并通过卷积层采用变量输入，从而使网络能够适应图结构的变化，进而设计了一种新的风格迁移方法。

Feb, 2017

快速局部谱滤波的图卷积神经网络

该研究将卷积神经网络推广到高维不规则图像中，通过谱图理论提出了一种卷积滤波器设计方法，在保持线性和常数学习复杂度的同时，实现了对任意图结构的卷积作用，成功在图像识别领域实现了局部、平稳、组合特征的学习。

Jun, 2016

具有图卷积神经网络的稳健空间滤波

本文介绍了一种基于图卷积神经网络的新型神经学习框架并探讨了其在处理结构化和非结构化分类问题方面的应用，证明该方法在文档和分子分类问题方面具有国际领先水平。

Mar, 2017

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

基于卷积神经网络的图像去噪：对抗性方法

通过卷积神经网络，我们提出了一种新的盲目图像降噪 CNN 架构，该架构综合了三个架构组件，包括多尺度特征提取层，l_p 规范化器以及三步训练方法，并与现有方法相比表现出具有竞争力的降噪性能。

Aug, 2017

学习用于图形的卷积神经网络

该研究提出了一种学习卷积神经网络用于任意图形的框架，以提取本地连接区域。使用公认的基准数据集，我们证明了学习特征表示与最先进的图形核心竞争，并且计算效率很高。

May, 2016