面向真实世界图像去噪的自适应自监督学习
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
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
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
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。
Mar, 2022
利用单一图像进行自监督学习的提出方法利用门控卷积进行特征提取及无参考图像质量评估引导训练过程,采用伯努利采样从输入图像数据集中选择样本进行训练,并通过平均来自训练网络具有中断的各个实例的生成预测来产生相应结果,实验结果表明所提出的方法在合成和真实世界数据集上实现了最先进的去噪性能,突显了该方法作为各种噪声去除任务的有效性和实用性。
Jul, 2023
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
本文提出了一种名为 Neighbor2Neighbor 的简单而有效的方法,利用自监督学习中的随机邻居子采样器在只有噪声图像的情况下训练图像降噪模型,并在理论和实验验证中证明了其有效性。
Jan, 2021
深度学习为图像去噪技术带来了革命性的转变,本文聚焦于自监督图像去噪方法,对最新的方法进行了全面的分析和分类,并提供了理论分析和实际应用,同时讨论了这些方法的局限性并提出了未来研究的方向。
Aug, 2023