Apr, 2022

基于知识蒸馏的单幅图像多重降噪和重建网络

HTML
PDF
TL;DR本文提出了一种轻量级的多重退化和重建网络(MDRN)，通过引入两种新颖的异构知识蒸馏策略(HMDS)，使得MDRN能够在极端情况下去除噪声并重建高质量的去噪图像，相较于其他单幅图像去噪方法MDRN具有更少的参数且更优秀的性能。
发现论文，激发创造
  • 一种超越高斯去噪器的深度卷积神经网络残差学习方法用于图像去噪

    本文研究了前馈降噪卷积神经网络（DnCNN）的构建，引入残差学习和批归一化技术，进一步提高图像降噪性能，并实现了单一模型处理多种图像降噪任务，如高斯降噪、单张超分辨率和JPEG图像去块等。实验表明，基于GPU计算的DnCNN模型不仅在多种图像降噪任务中表现出高效性，而且能够高效地实施。

    Aug, 2016

  • 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

  • 基于去噪先验的深度神经网络图像恢复方法

    本文提出了基于去噪的图像恢复算法，将其迭代过程展开为深度神经网络，利用卷积神经网络的多尺度冗余性和观察模型的先验知识，并通过端到端训练，使去噪器和反投影模块可以共同被优化，实现了对多种图像恢复任务的有竞争力和实时状态的最新结果。

    Jan, 2018

  • 深度神经网络降噪的速率最优化

    使用生成网络和自编码器对带有噪声的图像进行去噪，当给定一个$k$维码时，自编码器能将噪声能量减小到$O(k/n)$，并且使用一个梯度算法的生成模型能将噪声能量降低到$O(k/n)$。

    May, 2018

  • 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

  • CVF-SID: 循环多元函数实现自监督图像去噪，分离噪声与图像

    提出了一种基于循环多变量函数模块和自监督图像解缠 (CVF-SID) 框架的自监督去噪方法，可用于应对实际场景中的噪声问题。实验表明，CVF-SID 可在真实数据集上实现最先进的自监督去噪性能并与其他现有方法相当。

    Mar, 2022

  • 基于 Swin-Conv-UNet 和数据合成实现的实用式盲去噪

    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。

    Mar, 2022

  • 通过迭代预条件引导的去噪扩散模型进行图像恢复

    训练深度神经网络已成为解决图像恢复问题的常用方法，本文提出了一种基于预条件的新型引导技术，它在恢复方案中的实现要比现有方法简单，同时对噪声具有抗干扰性，适用于图像去模糊和超分辨率的任务。

    Dec, 2023

  • 图像去噪的两阶段渐进式残差稠密注意力网络

    设计了一种新的两阶段渐进残差密集注意力网络（TSP-RDANet）进行图像去噪，通过两个子任务逐步去除噪声，其中使用残差密集注意力模块（RDAM）和混合扩张残差密集注意力模块（HDRDAM）来设计两个基于注意力机制的去噪网络，以增强去噪效果。实验证实，与众多最新方法相比，所提出的TSP-RDANet在合成和真实噪声图像去噪方面取得了有利的结果。

    Jan, 2024

  • 基于退化提示扩散的无数据蒸馏用于多天气图像恢复

    本研究解决了在内存受限设备上多天气图像恢复中的数据获取困难问题。论文提出了一种新颖的无数据蒸馏框架D4IR，该框架使用预训练的扩散模型替代GAN以避免模型崩溃，并通过退化感知提示适配器生成领域相关图像。实验表明，所提方法的性能与使用原始训练数据蒸馏的模型相当，甚至优于其他主流的无监督方法。

    Sep, 2024