联合去噪和分割
我们开发了一种无监督的方法,用于单幅图像的联合分割和去噪。我们结合了变分分割方法的优势和自监督单幅图像的深度学习方法的能力。我们的方法的一个主要优点在于,与需要大量标记样本的数据驱动方法相比,我们的模型可以将图像分割为多个有意义的区域,而无需任何训练数据库。此外,我们引入了一种新的能量函数,其中去噪和分割被耦合在一起,使得两个任务相互受益。我们提出了一种统一的优化策略,并展示了在显微镜中可用的非常嘈杂的图像方面,我们提出的联合方法在性能上优于其顺序对应物以及纯粹针对去噪或分割的替代方法。我们还与设计用于相同应用的监督深度学习方法进行了比较,突出了我们方法的良好性能。
Sep, 2023
本研究提出了 denoiSplit,一种解决联合语义图像分割和无监督去噪的新分析方法。该方法在荧光显微镜中具有重要应用,语义图像分割在此应用中十分关键,但图像噪声通常会妨碍对图像内容的后续分析。我们的方法通过集成无监督去噪子任务来处理图像噪声,从而改善语义图像解 mixing 的效果,即使在存在显著和真实水平的成像噪声的情况下也能取得良好效果。denoiSplit 的一个关键创新点是使用特定的噪声模型,并适当调整适用于训练的高维分层潜在空间的 KL 散度损失。我们在真实世界的显微镜图像上展示了 denoiSplit 在 4 个任务上的性能,并进行了定性和定量评估,并将结果与现有基准进行了比较,证明了使用 denoiSplit 的有效性:一个使用两个适当的噪声模型联合执行语义分割和去噪的单一变分分割编码器 - 解码器(VSE)网络。
Mar, 2024
本文提出了一种集成多尺度去噪器的新方法,用于联合图像压缩和去噪。通过强调噪声与干净图像之间的相关性,采用对比学习的方式来提高网络区分噪声与高频信号的能力,实验证明该方法在失真性能和编解码速度方面优于当前的最新技术水平。
Feb, 2024
本研究提出了一种名为 DeSTSeg 的改进型模型,它将教师网络、降噪学生编码器 - 解码器和分割网络集成到一个框架中,包括去噪过程和丰富的监督,以实现对视觉异常检测的高效处理,实验结果表明在工业检测基准数据集上取得了最新成果。
Nov, 2022
利用一种新颖的训练方法,基于有噪声图像的非组织集合来培训高质量的图像去噪模型,通过采用具有感受野盲区的网络来消除对参考数据的需要,提高了图像质量和训练效率,最终结果质量与最先进的神经网络去噪器相当。
Jan, 2019
通过使用元学习技术,本论文提出了一种基于 CAM-Net 的新型语义分割方法 MetaSeg,该方法通过生成像素权重来抑制带有错误伪标签的噪声区域,并利用图像内容的增强特征提供简单可靠的优化指导,从而实现了与完全监督模型接近的出色性能,为全方位语义分割开辟了新的有前途的途径。
Jan, 2024
介绍了一种名为 Noise2Void (N2V) 的图像降噪训练方案,可以不需要嘈杂和干净的图像对,而是直接使用被降噪的数据进 行训练,特别适用于生物医学图像数据。与具有噪声图像对和 / 或干净目标图像的方式相比,N2V 的降噪效果较为相当。
Nov, 2018
本研究提出了一种名为 Probabilistic Noise2Void 的卷积神经网络训练方法,可用于单一噪声图像的去噪。通过与噪声的合适描述相结合,可以得到每个像素的噪声观测和真实信号的完整概率模型。在各种噪声情况下评估了该方法,应用于公开的显微镜数据集,其表现和有监督的现有方法相当。
Jun, 2019
利用单一图像进行自监督学习的提出方法利用门控卷积进行特征提取及无参考图像质量评估引导训练过程,采用伯努利采样从输入图像数据集中选择样本进行训练,并通过平均来自训练网络具有中断的各个实例的生成预测来产生相应结果,实验结果表明所提出的方法在合成和真实世界数据集上实现了最先进的去噪性能,突显了该方法作为各种噪声去除任务的有效性和实用性。
Jul, 2023
本文提出了一种使用两个耦合的 CNN 从纯噪声观察中联合学习单个标注者的可靠性和真实分割标签分布的方法,该方法在三个公共医学影像分割数据集上表现良好,尤其是在注释数量较少且出现较大不一致性的情况下。
Jul, 2020