本文介绍了一种基于深度学习和规则化技术的光学条纹图象去噪方法,可以有效去除条纹图象中的噪声,提高提取相位场的准确性和鲁棒性。实验结果表明,该方法在去除噪声的同时,能够保留条纹图象的主要特征,速度较快,具有一定的竞争力。
Jan, 2019
通过使用 SFNet 模型,我们提出了一种基于两个 fringe 图像的相位恢复方法,实现了高精度的 3D 重建,解决了使用有限数量的 fringe 图案的挑战。
Feb, 2024
本文提出了一种名为 FPANet 的模型,该模型在频率和空间域中学习滤波器,通过学习提取帧不变特征和输出更好质量的时间一致图像,改善了移除各种大小 Moire 图案的恢复质量,并用公开数据集展示了其优越性。
Jan, 2023
本文介绍如何使用深度神经网络对载波光栅进行分析,并在实验中证明这种方法的准确度和优越性。
Jul, 2018
本文提出了一种基于 UHRNet 的单形态法高度提取方法,通过设计复合损失函数并进行多项实验验证,证明该方法能够有效提高从单个光栅图案中进行三维重建的准确性。
Apr, 2023
本文引入一种深度法线滤波网络(DNF-Net)来进行网格去噪,该网络能够从局部 patch 中提取数据以更好地捕捉局部信息,并通过多尺度特征嵌入单元、残差学习策略和深度监督联合损失函数实现去噪,相比于以往的数据驱动型网格去噪方法,DNF-Net 无需人工特征输入且能够更好地利用训练数据,在合成和现实扫描网格上的实验表明了其优越性。
Jun, 2020
该论文探讨图像去噪的演变过程,从傅里叶分析和小波基础方法到神经网络,尤其是 U-Net 的出现。神经网络在 2010 年代的研究中展现出卓越的性能,适用于各种图像类型,包括具有固定规律性、人脸图像和卧室场景,以及对几何适应性调和基础有偏好的结果。引入分数扩散在图像生成中起着关键作用,图像去噪在这一背景下变得至关重要,因为它有助于概率密度的估计。我们讨论了真实学习概率密度的先决条件,并提供了从数学研究到通用结构的深入洞察。
Apr, 2024
本论文提出了一种使用深度神经网络和内部图像统计来处理图像去噪的新方法,该方法在子波系数匹配方面表现出色,其性能达到了最先进水平,特别是对于具有强烈噪声干扰的图像,其效果更加明显,而且可以使用有限的训练数据进行训练。
Jun, 2018
本文提出了基于去噪的图像恢复算法,将其迭代过程展开为深度神经网络,利用卷积神经网络的多尺度冗余性和观察模型的先验知识,并通过端到端训练,使去噪器和反投影模块可以共同被优化,实现了对多种图像恢复任务的有竞争力和实时状态的最新结果。
Jan, 2018
本研究使用 SFUNet 架构,以小波域而非像素空间中的 denoising diffusion probabilistic model (DDPM) 进行图像合成,通过捕捉空频域的相关性来改进像素数据的标准去噪 U-Net 结构,从而提高 CIFAR-10、FFHQ、LSUN-Bedroom 和 LSUN-Church 数据集上的图像合成质量。
Jul, 2023