零样本盲图像去噪：基于隐式神经表示的方法

Apr, 2022

零样本盲图像去噪：基于隐式神经表示的方法

Zero-shot Blind Image Denoising via Implicit Neural Representations

Chaewon Kim, Jaeho Lee, Jinwoo Shin

TL;DR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。

Abstract

Recent denoising algorithms based on the "blind-spot" strategy show impressive blind image denoising performances, without utilizing any external dataset. While the methods excel in recovering highly contaminated images, we observe that such algorithms are often less effective under a

blind-spot strategy image denoising implicit neural representations low-noise regime real-noise scenarios

发现论文，激发创造

基于隐式神经表示的图像去噪器的增强

通过在学习过程中采用来自预测和监督信号的均值作为监督信号的替代，我们提出了一种用于正则化隐式神经表示模型（INR）在图像去噪中的通用方法，从理论上证明这样的简单迭代替代可以逐渐增强监督信号的信噪比，从而有利于 INR 模型的学习过程，实验证明采用提出的方法可以有效地正则化 INR 模型，缓解过拟合，并提高图像去噪性能。

Jan, 2024

重温低级视觉中的隐式神经表示

本文研究了隐式神经表达在低层视觉问题中的应用，包括图像去噪、超分辨率、修补和去模糊等任务，并在实验中证明了其在资源有限情况下超过其他方法 2dB 以上的卓越表现。

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

通过专家混合训练构建神经隐式字典

该研究论文提出了一种能够通过基于坐标的子网络来构建神经隐式词典 (NID) 并代表内在神经表征的框架，通过优化结果能够更快地重建 2D/3D 图像并解决遮挡问题。

Jul, 2022

隐式神经表示的采样理论探索

隐式神经表示（INR）已成为计算机视觉和计算成像中解决反问题的强大工具。在线性反问题背景下，我们研究了使用单隐藏层 ReLU 激活和傅里叶特征层的广义权重衰减正则化方法，来从低通傅里叶系数恢复连续域图像的采样要求，验证了我们的理论，并展示了 INR 在超分辨恢复更实际的连续域幻影图像上的性能。

May, 2024

基于无偏卷积神经网络的鲁棒且可解释的盲图像去噪

该论文研究了卷积神经网络中添加偏差项对去噪性能的影响，发现使用无偏差的神经网络可以更稳健地处理不同噪声水平下的图像去噪问题。

Jun, 2019

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

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

使用隐式神经表示学习具有旋转和翻译不变性的表示

该文介绍了一种使用隐式神经表示和超网络获取图像的不变语义表示的方法，该方法可以在任意或随机旋转和平移的图像中获取方向不变的语义表示，并与 SCAN 结合，获得最新的无监督聚类结果。

Apr, 2023

图像压缩的隐式神经表示

本文从图像压缩的角度出发，探索了 INRs 的作用，提出了基于 INRs 的全面压缩流水线并进行了广泛的消融研究，结果表明，该方法表现优异，且与专门为图像设计的常用压缩算法竞争力相当，接近基于率失真自编码器的最新学习方法。

Dec, 2021