DVDnet:一种用于深度视频去噪的快速网络
介绍了一种基于卷积神经网络架构的视频去噪算法 FastDVDnet,该算法展现了比现有最佳基于 patch 的方法更快的运行时间和相似或更好的去噪效果,并可以通过使用单个网络模型来处理广泛的噪声水平。
Jul, 2019
提出了一种快速而灵活的去噪卷积神经网络 FFDNet,具有可调的噪声等级映射作为输入,能够处理各种噪声水平并能去除空间变异噪声,且速度快于 BM3D。
Oct, 2017
本文介绍了一种新颖的无监督视频去噪深度学习方法,可帮助减轻数据稀缺问题并展现对不同噪声模式的稳健性,其方法包括三个模块:生成特征图的特征生成器、生成去噪但略带模糊的参考帧的去噪网络、重新引入高频细节的改进网络。通过利用基于坐标的网络,可以在保留去噪视频帧中高频细节的同时大大简化网络结构。广泛的试验表明,我们的方法可以有效地去噪现实中的钙成像视频序列,而无需先验知识和数据增强训练。
Jul, 2023
本文提出了一种无监督的深度学习视频去噪方法 UDVD,可以通过单个短暂的有噪声视频进行训练,在显微镜检查、荧光显微镜和电子显微镜图像处理等领域具有广泛的应用前景,且无需显式的运动补偿,自适应性能比传统算法更高。
Nov, 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
本文通过对不同应用的合成和真实世界数据集中的各种去噪方法进行比较,旨在调查现有去噪技术的适用性,并从数量度量、视觉效果、人工评分和计算成本等四个不同角度对其进行评估,我们实验的结果显示,除了 DNN 模型表现出的物体检测和许多关键点检测方面的性能令人印象深刻以外,传统去噪器显示出代表性的有效性和效率以及同样良好的去噪表现,我们也讨论了现有技术的缺点和可能的扩展。
Apr, 2023
本文提出了一种新颖的空间自适应去噪网络(SADNet),使用卷积神经网络,设计了残差空间自适应块,在采样时引入可变变形卷积以加权样本的空间相关特征,并引入了具有上下文块的编码器 - 解码器结构以捕获多尺度信息,通过从粗到细的噪声去除,可以获得高质量的无噪声图像。在实验结果中,我们的方法在量化和视觉上均优于现有的去噪方法。
Jan, 2020
该研究提出了 ViDeNN: 一种用于视频去噪的卷积神经网络,能够在没有先验知识的情况下去除噪声,并使用组合的空间和时间滤波进行学习,处理物体运动、亮度变化、低光条件和时间不一致性。通过特定数据集的训练,ViDeNN 在常见基准测试和自采数据上取得了与现有技术相当的好结果。
Apr, 2019
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
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