CVPRMar, 2020

伪净化视频恢复的视频恢复技术

PDF
TL;DR本研究提出了一种称为 “restore-from-restored” 的自监督视频降噪方法。该方法通过在测试阶段使用伪清晰视频来微调预先训练的网络，从而提高视频降噪性能，而无需准确的光流估计和配准步骤，并且可以通过利用多个连续帧之间存在的丰富相似补丁（即补丁重现）来提高基线网络的性能。经过实验证明，该方法可用于具有良好降噪性能的最先进的降噪器，并且 fine-tuned 网络的降噪性能得到了显着提高。
发现论文，激发创造
  • 全卷积网络在一般图像恢复问题中能否表现良好？

    本文提出了一种基于全卷积网络 (FCN) 的彩色图像恢复方法，该方法通过学习直接将受损图像映射到干净图像的端到端映射，实现了盲图像修复并在图像去噪方面表现超过传统稀疏编码方法并有着与最先进方法相当的性能。

    Nov, 2016

  • FastDVDnet: 实时的深度视频降噪技术 —— 无需流估计

    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

  • 盲多帧视频去噪的自监督训练

    提出了一种自监督的方法来训练多帧视频去噪网络，利用光流对齐之后惩罚预测帧和相邻目标帧之间的误差，实现了针对不同类型噪声的盲去噪，且在在线自我学习阶段表现优异。

    Apr, 2020

  • 无监督基于坐标的视频去噪

    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

  • 视频动态先验：鲁棒视频增强的内部学习方法

    我们提出了一个新颖的鲁棒性框架，用于低级视觉任务，包括去噪、物体移除、帧插值和超分辨率，不需要任何外部训练数据，通过优化损坏的测试序列来直接学习神经模块的权重，利用视频的时空相干性和内部统计信息。通过引入一种利用视频在不同尺度上的空间 - 时间块重复性属性的新型空间金字塔损失函数，增强了对空间和时间域中非结构化噪声的鲁棒性。进而，我们的框架在输入帧降质方面具有高鲁棒性，并在去噪、物体移除和帧插值等后续任务上取得了最新成果。为了验证我们方法的有效性，我们在标准视频数据集如 DAVIS、UCF-101 和 VIMEO90K-T 上进行了定性和定量评估。

    Dec, 2023

  • 无监督微观显微镜视频去噪

    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

  • 图像修复的多级编码器 - 解码器架构

    本研究提出了一种基于编解码器网络的多层扩展框架，探究了不同网络结构对图像修复任务的影响，并与其他最先进方法进行了性能比较。关键词包括图像修复、深度学习、编解码器网络、网络结构和性能比较。

    May, 2019

  • 基于帧间训练的视频去噪算法

    本研究提出了一种基于预训练 AWGN 降噪网络的全盲视频降噪方法，采用一种新颖的帧对帧训练策略，实现了离线和在线两个版本。我们的降噪器可以在不知道视频来源的情况下使用，并达到了标准高斯噪声的最先进性能。在线过程仅需要几个帧即可实现广泛範围的扰动的令人满意的结果，同时在离线情况下性能更好。

    Nov, 2018

  • 面向深度图像恢复的按需学习

    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

  • 动态场景下带基准数据集的监督原始视频去噪

    本文提出了一种基于监督学习策略的视频降噪方法 RViDeNet，并构建了一个包括 55 组带噪声 - 无噪声对的动态视频数据集，实验表明我们的方法在室内外视频降噪方面表现优于现有算法。

    Mar, 2020