Apr, 2023

图像去噪方法比较

PDF
TL;DR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。
image denoisingdnn architecturesdataset benchmarkingquantitative metricscomputational cost
发现论文，激发创造
  • 图像去噪中的深度学习：概述

    本文对深度学习在图像去噪中的应用进行了比较研究，区分了不同类型的卷积神经网络的使用场景，比较了不同方法在公共图像去噪数据集上的表现，并指出了未来研究的挑战和方向。

    Dec, 2019

  • 多维图像去噪方法的全面比较

    本研究比较了超过 60 种图像去噪方法，其中 BM3D 方法在各种去噪任务中展现出了有效性和高效性，同时发现多种 DNN 模型能够在对抗真实数据的去噪任务中展现出最优的性能。该研究还引入了一个新的彩色图像和视频数据集用于基准测试。

    Nov, 2020

  • 去噪：从传统方法到深度卷积神经网络

    该论文探讨图像去噪的演变过程，从傅里叶分析和小波基础方法到神经网络，尤其是 U-Net 的出现。神经网络在 2010 年代的研究中展现出卓越的性能，适用于各种图像类型，包括具有固定规律性、人脸图像和卧室场景，以及对几何适应性调和基础有偏好的结果。引入分数扩散在图像生成中起着关键作用，图像去噪在这一背景下变得至关重要，因为它有助于概率密度的估计。我们讨论了真实学习概率密度的先决条件，并提供了从数学研究到通用结构的深入洞察。

    Apr, 2024

  • 释放自监督图像去噪的力量：一份综述

    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

  • 现实世界噪声图像去噪：一个新基准

    通过构建一个包含具有综合性的不同自然场景下的真实噪声图像的新基准数据集，并在其上评估了各种图像去噪方法（包括之前的数据集），证明近期针对稀疏或低秩理论设计的方法实现了更好的去噪效果，更为稳健，并且新提出的数据集更具挑战性。该数据集现已公开，供研究人员研究新的现实世界图像去噪方法。

    Apr, 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

  • 使用多层感知器进行图像去噪，第一部分：与现有算法及边界的比较

    本文中，我们使用简单的多层感知器（MLP）应用于图像块来直接学习从嘈杂的图像到无噪声图像的映射，并通过训练大型图像数据库，我们能够超越当前最先进的图像降噪方法并获得优秀的成果，同时在其他类型的噪声方面也取得了出色的结果，此外，结合块匹配程序可以进一步提高性能。

    Nov, 2012

  • 通过敌对攻击评估深度图像去噪模型的相似性和鲁棒性

    本文研究表明通过对深度图像去噪模型的分析，研究者发现神经网络在面对对抗性攻击时具有脆弱性，但加入对抗性训练后可以提高鲁棒性。

    Jun, 2023

  • 使用真实照片进行去噪算法基准测试

    本文提出了一种针对真人照片的图像去噪方法，并捕捉了一组包含真实噪声的消费级相机图像数据集，即 Darmstadt Noise Dataset，通过实验证明，近期的一些表现优异的方法在真实噪声情况下被 BM3D 明显地击败。

    Jul, 2017

  • DVDnet：一种用于深度视频去噪的快速网络

    本文提出了一种基于卷积神经网络架构的最新视频去噪算法，该算法在处理效率和性能等方面均优于其他算法。

    Jun, 2019