Aug, 2020

高效盲点神经网络图像去噪架构

PDF
TL;DR用卷积神经网络进行图片去噪是计算摄影学中重要的工具，本研究提出了一种新的全卷积网络结构，使用扩张卷积实现盲点性质，该网络在已有数据集上表现优于之前的工作并取得了最新成果。
image denoisingdeep neural networksblind-spotfully convolutional networkdilations
发现论文，激发创造
  • 单图像去噪的空间自适应网络

    本文提出了一种新颖的空间自适应去噪网络（SADNet），使用卷积神经网络，设计了残差空间自适应块，在采样时引入可变变形卷积以加权样本的空间相关特征，并引入了具有上下文块的编码器 - 解码器结构以捕获多尺度信息，通过从粗到细的噪声去除，可以获得高质量的无噪声图像。在实验结果中，我们的方法在量化和视觉上均优于现有的去噪方法。

    Jan, 2020

  • 通过下采样不变性损失和条件盲点网络的自监督图像去噪

    提出了一种基于盲点网络（blind-spot networks）的有条件盲点网络（C-BSN），采用随机子采样器进行空间去相关降噪，并在实际数据集上实现了最先进的性能。

    Apr, 2023

  • 基于无偏卷积神经网络的鲁棒且可解释的盲图像去噪

    该论文研究了卷积神经网络中添加偏差项对去噪性能的影响，发现使用无偏差的神经网络可以更稳健地处理不同噪声水平下的图像去噪问题。

    Jun, 2019

  • Blind2Unblind: 自监督图像去噪与可见盲点

    该论文提出了一个名为 Blind2Unblind 的简单而有效的方法来克服盲点驱动去噪方法中的信息丢失问题，该方法采用全局感知掩模映射器和可重视损失来提高性能，实验表明该方法在合成和真实世界数据集上优于以前的工作。

    Mar, 2022

  • 通用去噪网络：一种新颖的用于图像去噪的 CNN 架构

    我们设计了一种新颖的网络架构，用于学习区分图像模型，以有效地解决灰度和彩色图像去噪问题。所提出的模型能够使用一组学习参数来处理广泛的噪声水平，同时对于降低潜在图像的噪声与训练期间使用的噪声统计不匹配时表现出非常强的稳健性。

    Nov, 2017

  • 零样本盲图像去噪：基于隐式神经表示的方法

    介绍了一种新的图像降噪算法，该算法利用了隐式神经表示 (INRs) 在低噪声和真实噪声情况下具有先天降噪能力的特点，通过惩罚更深层次的权重增长来最大化这种天然的降噪能力，比现有的零样本降噪方法更优。

    Apr, 2022

  • 高质量自监督深度图像去噪

    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

  • 使用双卷积神经网络与跳跃连接进行图像盲去噪

    本文介绍了一种名为 DCBDNet 的新型卷积神经网络，该网络通过跳跃连接实现了在模型复杂性和降噪效果之间的理想平衡。实验证明，该网络可以在多个合成和现实世界的图像去噪基准数据集上实现有效的高斯噪声去除，在模型结构简单的情况下可以获得与含复杂结构的最先进去噪模型相当的去噪性能。

    Apr, 2023

  • 深度图像去噪的无配对学习

    本文提出了一个两阶段框架，通过结合自监督学习和知识蒸馏的方法来促进无配对洗涤网络的学习，该方法在合成和真实噪声图像的定量和定性评估方面表现良好。

    Aug, 2020

  • 基于卷积神经网络的图像去噪：对抗性方法

    通过卷积神经网络，我们提出了一种新的盲目图像降噪 CNN 架构，该架构综合了三个架构组件，包括多尺度特征提取层，l_p 规范化器以及三步训练方法，并与现有方法相比表现出具有竞争力的降噪性能。

    Aug, 2017