使用深度维纳 - 科尔莫戈洛夫滤波器进行显微图像恢复
通过将 Wiener 去卷积算法与深度学习结合,提出了面向非盲目图像去模糊的一种新方法,通过特征空间中的显式去卷积过程并利用多尺度特征细化模块逐步恢复细节和小尺度结构,训练模型的结果表明,所提出的深度 Wiener 去卷积网络能够缩小众多噪点,并在真实世界图像模糊的情况下优化表现,有着显著的效果。
Mar, 2021
提出了一种新颖的无监督网络来降噪显微镜视频,通过在底层卷积神经网络中整合时间信号滤波器,恢复被未知噪声类型破坏的显微镜视频。实验证实,该无监督模型在广泛的噪声场景中表现出色,尤其适用于显微镜视频。
Apr, 2024
采用插入式噪声去噪方法,代替现有的图像正则化器,并结合二阶统计量来训练卷积图像去噪网络,从而更适应于样本几何结构,在真实荧光显微图像数据上验证出能够正确地重建纤维结构,具有高峰值信噪比。
Mar, 2023
我们提出了一种快速有效的一步恢复模糊人脸图像的方法,该方法基于卷积神经网络,可以处理各种大小的人脸图像,加入了光滑正则化和面部正则化来保持面部身份信息,取得了最先进的效果和提高了 100 倍的运行速度,并在人脸识别精度上有显著提高。
Nov, 2017
该论文引入了一种新颖的轻量级计算框架,利用先进的机器学习和卷积神经网络 (CNNs) 来增强低光条件下的图像。通过应用 Retinex 理论的见解和图像恢复网络方面的最新进展,我们的方法开发了一个高效处理光照分量并通过优化的卷积块集成上下文敏感增强的简化模型。这大大提高了图像的清晰度和色彩保真度,避免了过度增强和不自然的颜色偏移。关键是,我们的模型被设计成轻量级,确保在标准的消费者硬件上具有低计算需求和实时应用的适用性。性能评估证实,我们的模型不仅在增强低光图像方面超过了现有方法,而且保持了最小的计算占用。
May, 2024
本文提出一种基于反馈机制的面向难度级别泛化的深度卷积神经网络图像修复模型自动生成的算法,旨在避免 “固定” 模型对于固定难度级别的训练。实验表明,在四个图像修复任务上,本算法均优于传统训练和课程学习替代方案。
Dec, 2016
通过使用 ArtiFusion 进行逐渐去噪的过程,该研究提出了一种新的组织学图像去伪存真的方法,该方法能够成功地恢复失真区域外的真实组织结构和染色样式。
Jul, 2023
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
本文提出了一种基于模拟图像的去噪方法,即模拟图像去噪 (SBD) 框架,该框架使用卷积神经网络 (CNNs) 在虚拟样本上进行训练并在以无噪声图像为基础的科学成像中表现出色,同时也分析了 SBD 的泛化能力和 CNNs 的视野对其性能的影响。
Oct, 2020
本文提出了几种方法来提高基于深度学习的图像去模糊的稳定性,包括使用小型神经模型和引入预处理步骤。数值实验证实了这些方法的精度和稳定性,尤其是基于模型的框架在视觉精度和鲁棒性之间提供了最可靠的平衡。
May, 2023