AAAIMar, 2021

基于类别特定卷积的高效深度图像去噪

PDF
TL;DR本文提出了一种基于像素分类的高效深度神经网络用于图像去噪，通过使用 Class Specific Convolution (CSConv) 图层替换已存在去噪网络的卷积图层以及 U-net 像素分类器，能够降低计算成本并且不会牺牲去噪性能。
deep neural networksimage denoisingefficientpixel-wise classificationcsconv
发现论文，激发创造
  • 深度类别感知去噪

    本文提出了一种新的神经网络结构并利用特定语义分类提高图像去噪的性能。实验证明使用类感知法对所有图像增强任务有显著的提升作用。

    Jan, 2017

  • 图像去噪中的深度学习：概述

    本文对深度学习在图像去噪中的应用进行了比较研究，区分了不同类型的卷积神经网络的使用场景，比较了不同方法在公共图像去噪数据集上的表现，并指出了未来研究的挑战和方向。

    Dec, 2019

  • 卷积神经网络的非局部彩色图像去噪

    本研究提出了一种基于非局部图像模型的新型深层网络结构，用于灰度和彩色图像去噪，并通过实验验证，表明该非局部模型在所有测试噪声水平下均实现了最佳的去噪性能，同时能够与卷积神经网络进行直接连接，并利用深度学习中 GPU 计算的最新进展，在其固有的并行性上实现高效实现。

    Nov, 2016

  • 面向类别的全卷积高斯和泊松去噪

    本文提出了一种基于全卷积神经网络的图像去噪方法，既简单又强大，可以应对不同噪声水平和分布（高斯和泊松），并且利用语义类信息实现了类感知。

    Aug, 2018

  • 去噪：从传统方法到深度卷积神经网络

    该论文探讨图像去噪的演变过程，从傅里叶分析和小波基础方法到神经网络，尤其是 U-Net 的出现。神经网络在 2010 年代的研究中展现出卓越的性能，适用于各种图像类型，包括具有固定规律性、人脸图像和卧室场景，以及对几何适应性调和基础有偏好的结果。引入分数扩散在图像生成中起着关键作用，图像去噪在这一背景下变得至关重要，因为它有助于概率密度的估计。我们讨论了真实学习概率密度的先决条件，并提供了从数学研究到通用结构的深入洞察。

    Apr, 2024

  • 用于异构硬件系统上的像素级分类的高效卷积神经网络

    本文介绍了三个用于图像像素分类的卷积神经网络模型，通过去除冗余计算或使用全卷积体系结构来解决滑动窗口网络中存在的冗余计算问题。作者对这三种模型进行了评估，并评估了它们在两个神经组织数据集上的表现，以及训练过程中使用的不同损失函数。

    Sep, 2015

  • 使用深度神经网络识别自然图像去噪的重复过程

    本论文提出了一种使用深度神经网络和内部图像统计来处理图像去噪的新方法，该方法在子波系数匹配方面表现出色，其性能达到了最先进水平，特别是对于具有强烈噪声干扰的图像，其效果更加明显，而且可以使用有限的训练数据进行训练。

    Jun, 2018

  • 使用图卷积神经网络进行图像去噪

    本文中，作者提出了一种使用图卷积层的卷积神经网络，以利用局部和非局部相似性以实现去噪任务，并取得了比传统卷积神经网络更好的效果。

    May, 2019

  • 非局域强化卷积神经网络图像去噪

    该研究提出了一种基于非局部稀疏性的深度卷积神经网络去噪范式，结合了卷积神经网络和非局部滤波器，证明了在大型灰度图像数据集上具有最先进的性能。

    Mar, 2018

  • 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