Aug, 2019

噪声流：带条件的标准化流噪声建模

PDF
TL;DR介绍了基于 normalizing flow 的强大而精确的噪声模型 Noise Flow，结合了基本参数噪声模型和神经网络的灵活性和表现力。与已有的噪声模型相比，Noise Flow 具有显著的改进，是第一次试图超越简单的参数模型，利用深度学习和数据驱动的噪声分布来建模和综合图像噪声。
image noisecomputer visionnormalizing flowparametric noise modelsdeep learning
发现论文，激发创造
  • 无需清洗图像的逼真相机噪声建模 - Noise2NoiseFlow

    该论文提出了一个框架，通过仅依赖噪声图像对而不是噪声 / 清洁图像对，同时训练噪声模型和降噪器，应用于 Noise Flow 架构的训练。结果表明，该框架在噪声合成和密度估计方面优于先前的基于信号处理的噪声模型，并且与其受监督的对手相当，训练的降噪器也被证明显着改进了监督和无监督基线降噪方法，这表明降噪器和噪声模型的联合训练可以显著提高降噪器的性能。

    Jun, 2022

  • 基于归一化流的 sRGB 相机噪点建模

    提出了一种基于归一化流的 sRGB 域噪声模型，能够学习不同 ISO 级别下 sRGB 图像中的复杂噪声分布，相比其他模型在噪声建模和合成任务中表现出了较大的优势，并且表明使用该模型合成噪声图像进行训练的图像去噪器优于使用基线模型去噪训练的去噪器。

    Jun, 2022

  • 小波流：高分辨率归一化流的快速训练

    本文介绍了基于小波变换的多尺度归一化流 Wavelet Flow，它具有低分辨率信号的显式表示和高分辨率信号的条件生成等多个优点，并在比特 / 维度标准测试中表现出与以前的归一化流相媲美的性能。

    Oct, 2020

  • 维度通用的正则化流

    本研究介绍了一种名为 NIF 的流行有噪声映射模型，可以通过注入变换学习数据流形的降维表示，有效提高了样品质量和数据嵌入的可分性。

    Jun, 2020

  • 基于流噪声模型的反问题求解

    该研究利用归一化流先验研究了图像反问题，将解视为基于测量的图像后验概率最大化估计，通过噪声模型和非线性正演算子验证了该方法在各种反问题中的有效性，并初步解决了带有流先验的反问题的理论恢复保证问题。

    Mar, 2020

  • NM-FlowGAN: 基于正则化流和生成对抗网络的混合方法建模 sRGB 噪声

    采用数据驱动的生成模型，NM-FlowGAN 通过同时使用基于正则化流的像素级噪声建模网络和基于生成对抗网络的空间相关建模网络，优于其他基准模型，实现了对 sRGB 噪声的更准确建模和合成。

    Dec, 2023

  • PD-Flow：一种带有归一化流的点云去噪框架

    介绍一种基于深度学习、归一化流以及噪音解缠技术的点云去噪方法，通过对噪声进行解缠并建立欧几里得空间和潜在空间之间的映射，从而实现高精度的去噪。在合成和真实世界数据集上的定性和定量实验表明，其性能优于现有的基于深度学习的方法。

    Mar, 2022

  • 扩散正规流

    本文介绍了基于随机微分方程的扩散归一化流生成建模新方法 —— 扩散归一化流算法。该算法使用两个神经 SDE：一个前向 SDE 和一个后向 SDE，通过联合训练两个神经 SDE，将后向 SDE 收敛于一种扩散过程，从而具备更好的高维数据密度估计和图像生成性能。

    Oct, 2021

  • 使用动态规范流建模连续随机过程

    本文提出一种新型的正则化流，其基于 Wiener 过程的微分变形，从而获得一个完整的时间序列模型，该模型继承了其基本过程的许多性质，如似然性和边缘效率。此外，我们的连续处理为有独立到达过程的不规则时间序列提供了自然框架，包括直接插值。在合成数据和真实世界数据的一系列实验中，我们证明了该模型相对于变分 RNN 和潜在 ODE 基线的优越灵活性。

    Feb, 2020

  • 正规流：当前方法的介绍与评述

    本文综述了 Normalizing Flows 在分布学习中的构建和使用，旨在提供模型的背景和解释，回顾现有的最新文献，并确定未来可行的有前途的方向和未解决的问题。

    Aug, 2019