Nov, 2022

自适应动态滤波网络用于图像去噪

HTML
PDF
TL;DR本研究提出了一种用于改善高频和多尺度特征学习的动态卷积算法，其中采用了增强空间上下文信息的核生成模块(SEKG)以及动态卷积块(DCB)和多尺度动态卷积块(MDCB)。此外，还提出了多维特征集成(MFI)机制，旨在融合多尺度特征，从而提供具有精确性和丰富上下文特征的表征。最终，使用所提出的算法构建的ADFNet在真实世界和合成高斯噪声数据集上取得了更好的性能，且具有较低的计算复杂度。
发现论文，激发创造
  • 动态过滤网络

    介绍一种新的动态滤波网络架构，使得学习的滤波器可以根据输入动态生成，具有高度适应性，且不会过多增加模型参数。通过可视化学习到的滤波器，证明该网络可以在无标签数据上学习信息，从而可以用于各种无监督预训练任务，例如光流和深度估计。

    May, 2016

  • 图像去噪的扩张深度残差网络

    本研究提出了一种采用扩张残差卷积神经网络（CNN），并使用零填充来保持输出和输入维数相同的方法，以Gaussian图像去噪为目标，能够在减少计算成本的同时实现与最新的残差去噪器相当的性能，并且在计算可解释性方面也能有所进展。

    Aug, 2017

  • FFDNet: 基于CNN快速灵活的图像去噪解决方案

    提出了一种快速而灵活的去噪卷积神经网络FFDNet，具有可调的噪声等级映射作为输入，能够处理各种噪声水平并能去除空间变异噪声，且速度快于BM3D。

    Oct, 2017

  • 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

  • 使用图卷积神经网络进行图像去噪

    本文中，作者提出了一种使用图卷积层的卷积神经网络，以利用局部和非局部相似性以实现去噪任务，并取得了比传统卷积神经网络更好的效果。

    May, 2019

  • 单图像去噪的空间自适应网络

    本文提出了一种新颖的空间自适应去噪网络（SADNet），使用卷积神经网络，设计了残差空间自适应块，在采样时引入可变变形卷积以加权样本的空间相关特征，并引入了具有上下文块的编码器 - 解码器结构以捕获多尺度信息，通过从粗到细的噪声去除，可以获得高质量的无噪声图像。在实验结果中，我们的方法在量化和视觉上均优于现有的去噪方法。

    Jan, 2020

  • 可塑卷积快速高质量图像降噪

    Malleable Convolution (MalleConv) is introduced to perform spatial-varying processing with minimal computational overhead for image denoising networks, and is shown to achieve high-quality results with minimal computational cost compared to existing denoising algorithms.

    Jan, 2022

  • 单图像去噪的多尺度自适应网络

    本文提出了一种基于多尺度自适应网络的单张图像去噪方法(MSANet), 它同时考虑了尺度间的互补性和尺度内部的特征, 并提出了自适应特征块(AFeB), 自适应多尺度块(AMB)和自适应融合块(AFuB)进行实现，并在多组图片去噪实验中展现出比传统方法更好的表现。

    Mar, 2022

  • 图像去噪方法比较

    本文通过对不同应用的合成和真实世界数据集中的各种去噪方法进行比较，旨在调查现有去噪技术的适用性，并从数量度量、视觉效果、人工评分和计算成本等四个不同角度对其进行评估,我们实验的结果显示,除了DNN模型表现出的物体检测和许多关键点检测方面的性能令人印象深刻以外，传统去噪器显示出代表性的有效性和效率以及同样良好的去噪表现,我们也讨论了现有技术的缺点和可能的扩展。

    Apr, 2023

  • CasDyF-Net：通过级联动态过滤器进行图像去雾

    本研究针对传统图像去雾方法在网络深度受限的问题，提出了一种创新的级联动态过滤器网络。该方法通过动态生成过滤器内核，结合残差多尺度区块，有效提升特征处理能力，实验表明我们的模型在RESIDE-Indoor数据集上获得了43.21dB的PSNR，显示出其显著的图像恢复效果。

    Sep, 2024