深度图像去噪的无配对学习
本论文提出了训练神经网络进行图像去噪的方法,该方法无需干净训练数据或带噪训练数据。该方法仅需要每个训练样本的单个噪声实现和噪声分布的统计模型,并适用于各种噪声模型,包括具有空间结构的噪声。该模型的表现与需要更多训练数据的其他学习方法相当,且优于传统非学习去噪方法。本文提出了我们的方法对于任意加性噪声的推导,对于特定的高斯加性噪声的改进,以及对于乘性伯努利噪声的扩展。
Oct, 2019
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
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
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
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
本文提出一种利用多种掩码策略和 BSN 相结合的多掩膜策略(MM-BSN)来解决大噪声去噪问题的自监督图像去噪方法,实验结果表明该方法在 sRGB 图像去噪方面表现出良好的性能并且是目前自监督和非配对图像去噪方法中表现最好的。
Apr, 2023
深度学习为图像去噪技术带来了革命性的转变,本文聚焦于自监督图像去噪方法,对最新的方法进行了全面的分析和分类,并提供了理论分析和实际应用,同时讨论了这些方法的局限性并提出了未来研究的方向。
Aug, 2023
提出了一个全新的 自监督盲点网络(BSN)方法, Asymmetric PD (BSN) 可以更好地应对现实中空间相关的噪声,并且不使用任何外部噪声参数就能在自监督的情况下实现对现实世界的真实图像进行去噪处理,达到了当前最优的去噪效果。
Mar, 2022
通过多角度自监督解缠方法 (MeD),本文在合成噪声和真实噪声的实验分析中展现了该方法在未见过的新噪声类型上相对于之前的自监督方法的卓越性能。在真实噪声上,该方法的性能甚至超过了其监督对照组超过 3 dB。
Sep, 2023
基于生成式对抗网络的无监督方法在图像去噪方面取得了优异的性能,而我们提出的基于滤波引导噪声提取模块的深度学习策略能够在不增加推理复杂性的情况下显著提高去噪框架的性能。
Aug, 2023