CVPRMay, 2021

FBI-Denoiser: 基于 Poisson-Gaussian 噪声的快速盲图像去噪器

PDF
TL;DR论文提出了一种针对 Poisson-Gaussian 噪声的快速均值盲去噪（Fast Blind Image Denoiser，FBI-Denoiser），该算法使用两个神经网络模型（PGE-Net 和 FBI-Net），其中 PGE-Net 可以比传统方法快 2000 倍地估计 Poisson-Gaussian 噪声参数，而 FBI-Net 可以实现更高效的像素逐点仿射去噪器的盲点网络（BSN），并在多个实际噪声图像基准数据集上获得了最先进的性能和更快的推理速度（10 倍于 BP-AIDE）。
blind denoisingpoisson-gaussian noisebp-aidefbi-denoiserneural network models
发现论文，激发创造
  • 全卷积像素自适应图像去噪器

    本文介绍了一种新的图像去噪算法 —— 全卷积自适应图像去噪器 (FC-AIDE)，它能够学习离线监督训练集的全卷积神经网络，以及针对每个给定的噪声图像进行自适应微调。我们利用全新的全卷积架构提高了基础监督模型，并引入正则化方法进行自适应微调，使其具有更强的适应能力，从而在各种基准数据集上均优于最近提出的基于 CNN 的最先进的去噪器，在各种具有挑战性的场景下表现出色，如处理不匹配的图像 / 噪声特征或缺乏监督训练数据等。

    Jul, 2018

  • ViDeNN: 深度盲视频降噪

    该研究提出了 ViDeNN: 一种用于视频去噪的卷积神经网络，能够在没有先验知识的情况下去除噪声，并使用组合的空间和时间滤波进行学习，处理物体运动、亮度变化、低光条件和时间不一致性。通过特定数据集的训练，ViDeNN 在常见基准测试和自采数据上取得了与现有技术相当的好结果。

    Apr, 2019

  • 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

  • 高效盲点神经网络图像去噪架构

    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。

    Aug, 2020

  • 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

  • 低光照图像的深度卷积降噪

    本文介绍了使用卷积神经网络和 Poisson 分布进行图像去噪的方法，通过特定峰值的图片训练网络可以显著提高图像去噪效果，并且此方法灵活、数据驱动，速度更快。同时，结合图像先验信息，处理同类别图片可以进一步提高性能表现。

    Jan, 2017

  • 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

  • 自监督泊松 - 高斯去噪

    本文提出了一种改进的自监督去噪模型，该模型可以处理 Poisson-Gaussian 噪声，并且避免使用超参数，在低光显微镜等某些应用领域中取得了较好的性能表现，评估结果表明该模型优于其他基准模型。

    Feb, 2020

  • FFDNet: 基于 CNN 快速灵活的图像去噪解决方案

    提出了一种快速而灵活的去噪卷积神经网络 FFDNet，具有可调的噪声等级映射作为输入，能够处理各种噪声水平并能去除空间变异噪声，且速度快于 BM3D。

    Oct, 2017

  • 变分去噪网络：朝向盲噪声建模和去除

    本文介绍了一种新的变分推断方法 - Variational Denoising Network（VDN），该方法将噪声估计和图像去噪综合到一个贝叶斯框架中。使用由深度神经网络参数化的近似后验条件于输入的图像和噪声方差的潜变量，提供具有显式参数形式的后验分布，可用于自动噪声估计的盲图像去噪。VDN 既具有传统模型驱动方法的优点，也具有数据驱动深度学习方法的效率、灵活性和可解释性，且能够在真实场景下估计并消除复杂的非 i.i.d 噪声。综合实验结果表明，该方法在盲图像去噪方面具有优越性。

    Aug, 2019