C2N: 实用的生成式噪声建模用于真实世界降噪
该论文提出了一个框架,通过仅依赖噪声图像对而不是噪声 / 清洁图像对,同时训练噪声模型和降噪器,应用于 Noise Flow 架构的训练。结果表明,该框架在噪声合成和密度估计方面优于先前的基于信号处理的噪声模型,并且与其受监督的对手相当,训练的降噪器也被证明显着改进了监督和无监督基线降噪方法,这表明降噪器和噪声模型的联合训练可以显著提高降噪器的性能。
Jun, 2022
本篇研究提出了 GAN2GAN 方法,利用生成式模型生成噪声数据和初始的粗略干净图像估计,并使用由生成式模型合成的噪声图像对去噪器进行迭代训练,结果显示该方法在盲去噪问题上达到了非常好的性能,甚至超越了标准判别式训练或 N2N 训练模型的性能。
May, 2019
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
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
该研究提出了一种生成高度仿真的实际噪声图像的方法,为深度学习去噪提供了更加真实的数据集,克服了过去需要大量真实噪声 - 干净图像对来进行监督的限制。该方法使用噪声模型进行噪声分布对齐和图像对齐,并通过 Pixel-level 噪声感知生成对抗网络(PNGAN)进行像素级别的噪声域对齐,实现了高质量的去噪效果。
Apr, 2022
本研究提出了一种名为 Probabilistic Noise2Void 的卷积神经网络训练方法,可用于单一噪声图像的去噪。通过与噪声的合适描述相结合,可以得到每个像素的噪声观测和真实信号的完整概率模型。在各种噪声情况下评估了该方法,应用于公开的显微镜数据集,其表现和有监督的现有方法相当。
Jun, 2019
该研究提出了使用真实噪声模型和真实的噪声 - 清晰图像对训练卷积盲去噪网络 (CBDNet) 来提高深度卷积神经网络去噪模型的泛化能力,并嵌入了噪声估计子网络,以提供一种交互式策略来纠正去噪结果,实验结果显示 CBDNet 在实际噪声照片的三个数据集上表现优异。
Jul, 2018
利用深度卷积神经网络(CNN)开发了一种图像去噪方法:Noise2Inverse,可以应用于线性图像重建算法,无需任何额外的干净或噪声数据,通过利用噪声模型计算多个统计独立的重建来实现训练,该方法在模拟 CT 数据集和现实实验数据集中均显示出优于现有状态下的图像去噪方法和传统重建方法,能够显著降低噪声。
Jan, 2020
通过学习物理引导噪声神经代理(PNNP)从暗帧中来精确建模噪声,我们开发了一个新颖的框架,它集成了三种高效的技术:物理引导噪声解耦(PND),物理引导代理模型(PPM),可微分的分布导向损失(DDL),以提高低光原始图像降噪的性能。
Oct, 2023
介绍了一种名为 Noise2Void (N2V) 的图像降噪训练方案,可以不需要嘈杂和干净的图像对,而是直接使用被降噪的数据进 行训练,特别适用于生物医学图像数据。与具有噪声图像对和 / 或干净目标图像的方式相比,N2V 的降噪效果较为相当。
Nov, 2018