Mar, 2021

使用后验采样条件 GAN 实现高感知质量图像去噪

PDF
TL;DR本文提出了一种基于条件生成对抗网络的随机去噪方法，通过引入一种理论上基于中心极限定理的正则化惩罚项，以实现高感知质量和可接受失真度去噪。
deep learningimage denoisingperceptual qualitygenerative adversarial networksdenoiser architecture
发现论文，激发创造
  • 基于生成对抗网络的感知优化联合去马赛克和降噪

    该文提出了一种基于生成对抗网络的联合去马赛克和去噪方法，通过感知优化保证恢复图像的视觉质量，其结果在客观和主观质量指标上表现出优于现有先进技术的结果，且有可比性的计算成本。

    Feb, 2018

  • 从后验分布中抽样的随机图像去噪

    提出一种新颖的基于 Langevin 动力学的随机去噪方法，可在保持小 MSE 的同时产生高感知质量结果，并将其扩展到处理修补问题。

    Jan, 2021

  • 双重对抗网络：朝着现实世界的噪声去除与噪声产生

    本研究提出了一个新的统一框架，旨在同时处理噪声消除和噪声生成任务，学习清洁 - 噪声图像对的联合分布，通过生成器映射干净图像到噪声图像和去噪器映射噪声图像到干净图像以逼近联合分布。本文还提出了两个衡量生成的噪声图像质量的指标，并在实验中证明了该方法在真实噪声消除和生成任务中的优越性。

    Jul, 2020

  • 使用带有 Wasserstein 距离和感知损失的生成对抗网络进行低剂量 CT 图像去噪

    本文介绍了一种基于生成式对抗网络（GAN）的新型 CT 图像去噪方法，该方法基于 Wasserstein 距离和特征相似性，能够从图像数据噪声分布强到弱的迁移，并在临床 CT 影像中取得了良好效果。

    Aug, 2017

  • 基于图像自适应 GAN 的重建

    本研究针对深度生成模型如变分自编码器和生成对抗网络在高复杂度图片样本表现的不足，提出一种图像自适应的修复方案，增强复原的表达能力。在图像超分辨率和压缩感知方面进行了实证表明其优势。

    Jun, 2019

  • 用去噪漂移 GAN 解决生成学习三难问题

    本文提出了一种基于多模式条件 GAN，使其具有高样本质量、高模式覆盖和快速采样三个特性的去噪扩散生成对抗网络，同时在 CIFAR-10 数据集上比原扩散模型快 2000 倍，并且是第一种将采样成本降至足够低以便于应用于实际应用的模型。

    Dec, 2021

  • 使用 GAN 进行图像去模糊

    该研究论文中介绍了深度生成模型在图像去模糊中的应用，通过利用生成对抗网络以及对抗学习框架，成功地生成了清晰度更高的图像，解决了图像模糊所带来的挑战，并在实际应用中产生了明显的效果。

    Dec, 2023

  • 深度神经网络降噪的速率最优化

    使用生成网络和自编码器对带有噪声的图像进行去噪，当给定一个 $k$ 维码时，自编码器能将噪声能量减小到 $O (k/n)$，并且使用一个梯度算法的生成模型能将噪声能量降低到 $O (k/n)$。

    May, 2018

  • 通过投影校正：使用生成对抗网络去噪图像

    本文提出利用 GAN 学习到的流形对受损图像进行去噪，通过最小化图像空间中的距离来恢复潜变量并生成干净图像，在噪声估计上无需先验知识，相比传统信号处理方法有显著提高。

    Mar, 2018

  • 贝叶斯深度图像先验下的医学图像去噪中的不确定性估计

    通过随机初始化卷积网络对图像进行参数化并执行梯度下降，以匹配观察结果的方法来量化反向医学成像任务中的不确定性，扩展到带有蒙特卡罗失活的贝叶斯方法，实现对预测不确定性的可靠估计，解决了大型数据集上深度神经网络出现幻觉和制品所带来的问题。

    Aug, 2020