LG-BPN: 面向自监督实际降噪的局部和全局盲斑网络
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
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
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
本文提出了基于 transformer 的盲点网络(TBSN),通过分析和重新设计满足盲点要求的 transformer 操作符,扩展了其感受野,实现了有利于自监督图像去噪(SSID)任务处理的效果,并引入知识蒸馏策略提高计算效率。
Apr, 2024
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
该论文提出了一个名为 Blind2Unblind 的简单而有效的方法来克服盲点驱动去噪方法中的信息丢失问题,该方法采用全局感知掩模映射器和可重视损失来提高性能,实验表明该方法在合成和真实世界数据集上优于以前的工作。
Mar, 2022
本研究提出一种新的思路来解决现实世界 sRGB 图像去噪中空间相关噪声的问题,其通过分别考虑噪声图像中平滑区域和纹理区域的特性,并构建相应的监督来训练模型,最终得到了更好的去噪效果。
Mar, 2023
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
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