CVPRMar, 2022

Blind2Unblind: 自监督图像去噪与可见盲点

PDF
TL;DR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。
denoisingself-supervised learninginformation lossblindspot-driven methodsre-visible loss
发现论文，激发创造
  • 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

  • 深度图像去噪的无配对学习

    本文提出了一个两阶段框架，通过结合自监督学习和知识蒸馏的方法来促进无配对洗涤网络的学习，该方法在合成和真实噪声图像的定量和定性评估方面表现良好。

    Aug, 2020

  • 高质量自监督深度图像去噪

    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

  • 基于暗斑网络的多掩蔽实时自监督图像去噪技术

    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

  • 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

  • Self2Self+: 自监督学习与图像质量评估损失的单图像降噪

    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

  • 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

  • 真实世界图像的遮蔽和随机化暗点降噪

    我们介绍了一种新颖的基于盲点去噪原理的单图像去噪方法，称为 MASH。我们关注相关噪声的情况，该问题常常困扰真实图像。MASH 是一种仔细分析的结果，用于确定输入的盲度级别（遮挡）与（未知）噪声相关性之间的关系。此外，我们引入了一种洗牌技术，用于削弱噪声的局部相关性，从而获得额外的去噪性能改进。我们通过对真实世界噪声图像数据集进行广泛实验来评估 MASH。与现有的自监督去噪方法相比，我们展示了相当或更好的结果。

    Apr, 2024

  • 释放自监督图像去噪的力量：一份综述

    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

  • SS-BSN: 自监督盲点关注网络，用于非局部自相似去噪

    本文提出一种新颖的自我相似注意力机制（SS-Attention），并将其集成到基于自我相似的盲点网络（SS-BSN）中，在自我监督图像去噪任务中通过实验证明，在智能手机图像去噪数据集（SIDD）和达姆斯塔特噪声数据集（DND）基准数据集上，该方法在定量和定性方面均优于现有的先进方法。

    May, 2023