CVPRMar, 2022

AP-BSN: 基于非对称 PD 和盲区网络的自监督去噪技术，适用于现实世界图像

PDF
TL;DR提出了一个全新的 自监督盲点网络（BSN）方法， Asymmetric PD (BSN) 可以更好地应对现实中空间相关的噪声，并且不使用任何外部噪声参数就能在自监督的情况下实现对现实世界的真实图像进行去噪处理，达到了当前最优的去噪效果。
self-supervised denoisingblind-spot networkreal-world noiseasymmetric pixel-shuffle downsamplingstate-of-the-art
发现论文，激发创造
  • 用于自监督真实图像降噪的随机子样本生成

    基于随机子采样生成的采样差异作为扰动的自我监督实图像降噪框架（SDAP）在真实世界数据集上显著优于其他最先进的自我监督降噪方法。

    Jul, 2023

  • 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

  • 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

  • LG-BPN: 面向自监督实际降噪的局部和全局盲斑网络

    该论文提出了一种名为 LG-BPN 的新方法，通过在网络设计中考虑局部细节恢复的空间相关统计，并将全局依赖性建模能力引入之前基于 CNN 的 BSN 方法，能够全面利用盲方法中的详细结构和全局交互。

    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

  • 面向真实世界图像去噪的自适应自监督学习

    本研究提出一种新的思路来解决现实世界 sRGB 图像去噪中空间相关噪声的问题，其通过分别考虑噪声图像中平滑区域和纹理区域的特性，并构建相应的监督来训练模型，最终得到了更好的去噪效果。

    Mar, 2023

  • TBSN: 基于 Transformer 的自监督图像降噪的盲点网络

    本文提出了基于 transformer 的盲点网络（TBSN），通过分析和重新设计满足盲点要求的 transformer 操作符，扩展了其感受野，实现了有利于自监督图像去噪（SSID）任务处理的效果，并引入知识蒸馏策略提高计算效率。

    Apr, 2024

  • 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

  • PUCA：升级的自监督图像去噪中的补丁重排和通道注意力

    提出了 PUCA，一种新的 J - 不变 U-Net 架构，用于自监督降噪，通过利用 patch-unshuffle/shuffle 大幅扩展接受域同时保持 J - 不变性和采用扩张注意力块 (DABs) 来进行全局上下文融合，实验证明 PUCA 在自监督图像降噪方面表现出色，优于现有方法。

    Oct, 2023

  • Blind2Unblind: 自监督图像去噪与可见盲点

    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。

    Mar, 2022