Mar, 2022

基于 Swin-Conv-UNet 和数据合成实现的实用式盲去噪

PDF
TL;DR本文旨在从网络架构设计和训练数据合成的角度解决当前真实图像去噪的问题，提出了一种新的网络架构设计和噪声退化模型，分别插入到 UNet 框架中从而达到当前最先进的性能水平。
image denoisingdeep neural networksnetwork architecture designtraining data synthesisreal image denoising
发现论文，激发创造
  • 面向真实照片的卷积盲降噪

    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

  • SwinIA: 自监督盲点图像去噪技术 - 零卷积

    本文提出了一种基于 Swin Transformer 的 Image Autoencoder（SwinIA），用于自监督图像去噪，无需像素掩蔽，不需要任何关于噪声分布的先验知识，可以用简单的均方误差损失进行端到端训练，且在多个常见基准测试中均取得了最先进的性能。

    May, 2023

  • 通用去噪网络：一种新颖的用于图像去噪的 CNN 架构

    我们设计了一种新颖的网络架构，用于学习区分图像模型，以有效地解决灰度和彩色图像去噪问题。所提出的模型能够使用一组学习参数来处理广泛的噪声水平，同时对于降低潜在图像的噪声与训练期间使用的噪声统计不匹配时表现出非常强的稳健性。

    Nov, 2017

  • 基于 AWGN 的降噪器遇到真实噪声

    本文提出了一种使用 Pixel-shuffle Down-sampling 策略的新方法，该方法通过训练一个深度模型（由噪声估计器和去噪器组成）使用混合的 AWGN 和 RVIN 数据，从而提高使用合成独立像素噪声数据训练的实际图像去噪器返回结果的效果和泛化性能，并在 DND 基准测试的实际 sRGB 图像中取得了最先进的性能。

    Apr, 2019

  • CycleISP：通过改进数据合成进行真实图像恢复

    本文提出了一种模拟相机成像管道的框架，使得可以生成更为真实的图像数据对于消噪任务进行训练，实验表明，基于该框架训练的模型在真实相机上具有目前最优异的消噪效果。

    Mar, 2020

  • 基于 SNR-Aware Swin Transformer 的无监督低光图像增强技术

    本文提出了一种基于 Swin Transformer 的双分支网络，以信噪比先验图为指导，利用无监督学习构建优化目标，实现低光图像增强，并在实验中取得竞争性的结果。

    Jun, 2023

  • 复杂图像生成 SwinTransformer 网络用于音频降噪

    将音频降噪问题转化为图像生成任务，通过复杂图像生成 SwinTransformer 网络捕获更多的信息，使用结构相似性和详细损失函数生成高质量图像并最小化去噪音频和干净音频之间的差异，实验证明该模型优于现有方法。

    Oct, 2023

  • 基于 Swin Transformer UNet 的地面图像去模糊

    借助基于 Swin Transformer 结构的 deep learning 方法进行恢复图像分辨率的研究，提出了一种具有先进的稀疏小波框架的三步解卷积框架，与传统的 Firedec 算法相比，我们的方法在恢复分辨率、适应不同噪声特性和计算效率方面展示出巨大优势，对于从地面图像中识别远程宇宙中的结构具有很大的潜力。

    May, 2024

  • 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

  • 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