使用核范数和学习图模型进行深度图像去噪
结合基于模型的方法和数据驱动的深度学习方法,利用图拉普拉斯正则化作为可训练模块进行真实图像去噪,提出一种可全程微分和端对端训练的图像去噪方法,不易过拟合,跨领域泛化性能强,相对于现有技术具有显著的优越性。
Jul, 2018
本文提出一种基于图卷积层的深度神经网络,能够优雅地处理学习型点云处理方法所遇到的置换不变性问题,通过动态构建邻域图来建立特征的复杂层次结构,与促进接近理想表面的损失相结合,该方法在各种指标上都明显优于现有方法,特别是在高噪声和结构噪声等实际情况下表现尤为稳健。
Jul, 2020
本文提出一种基于低维流形模型和图拉普拉斯正则化器的 3D 点云去噪方法,通过近似离散观测的流形维度计算,并且采用一种新的离散补丁距离度量来构建一个抗噪声的图形结构,并取得了比当前最先进方法更好的性能和更好的结构特征保持。
Mar, 2018
本文提出动态注意力图学习模型(DAGL)来探索图像修复中基于图块级别的动态非局部特性,通过对每个节点应用改进的图模型进行图块级图卷积,以达到自适应平衡平滑和过度清晰伪影、增强信息传递的目的,实验结果显示,该模型在各种图像修复任务中都可以产生优秀的结果。
Sep, 2021
本文提出了一种基于双重加权截断核范数减去截断 Frobenius 范数最小化的方法,通过利用噪声图像的非局部自相似性来聚合类似结构并构建一系列类似的补丁矩阵,每个组采用 DtNFM 模型来估计其去噪版本,提供了处理复杂噪声分布的足够灵活性,并通过 ADMM 框架最小化问题。
Jul, 2023
本文提出了一种基于图卷积操作的全新的可端到端训练的神经网络架构,该架构创建具有非局部感受野的神经元,从而利用网络的强大表示学习能力来发现自相似模式,并通过轻量级的基于边缘条件的卷积来解决梯度消失和过参数化问题。实验结果表明了在合成高斯噪声和真实噪声上的最先进性能和改进的定性和定量结果。
Jul, 2019
本研究提出了一种名为 GRDN 的图像降噪卷积神经网络,采用了一个组合残差密集块,并结合一种基于生成对抗网络的现实世界噪声模型。实验证明,采用 GRDN 可以显著提高降噪性能,并在 NTIRE2019 实际图像降噪挑战赛或得了双方面指标的最高分数。
May, 2019
本文提出一种基于特征图的方法来学习图信号的复原,通过最小化图拉普拉斯正则项以优化马氏距离矩阵的带权图,在 3D 点云去噪问题上的实验证明,相较于已有的方案,该算法具有最先进的性能。
Jul, 2019