Jul, 2023

无监督基于坐标的视频去噪

PDF
TL;DR本文介绍了一种新颖的无监督视频去噪深度学习方法，可帮助减轻数据稀缺问题并展现对不同噪声模式的稳健性，其方法包括三个模块：生成特征图的特征生成器、生成去噪但略带模糊的参考帧的去噪网络、重新引入高频细节的改进网络。通过利用基于坐标的网络，可以在保留去噪视频帧中高频细节的同时大大简化网络结构。广泛的试验表明，我们的方法可以有效地去噪现实中的钙成像视频序列，而无需先验知识和数据增强训练。
unsupervisedvideo denoisingdeep learningcoordinate-based networkreal-world
发现论文，激发创造
  • 无监督微观显微镜视频去噪

    提出了一种新颖的无监督网络来降噪显微镜视频，通过在底层卷积神经网络中整合时间信号滤波器，恢复被未知噪声类型破坏的显微镜视频。实验证实，该无监督模型在广泛的噪声场景中表现出色，尤其适用于显微镜视频。

    Apr, 2024

  • 无监督深度视频降噪

    本文提出了一种无监督的深度学习视频去噪方法 UDVD，可以通过单个短暂的有噪声视频进行训练，在显微镜检查、荧光显微镜和电子显微镜图像处理等领域具有广泛的应用前景，且无需显式的运动补偿，自适应性能比传统算法更高。

    Nov, 2020

  • 高质量自监督深度图像去噪

    利用一种新颖的训练方法，基于有噪声图像的非组织集合来培训高质量的图像去噪模型，通过采用具有感受野盲区的网络来消除对参考数据的需要，提高了图像质量和训练效率，最终结果质量与最先进的神经网络去噪器相当。

    Jan, 2019

  • 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

  • ViDeNN: 深度盲视频降噪

    该研究提出了 ViDeNN: 一种用于视频去噪的卷积神经网络，能够在没有先验知识的情况下去除噪声，并使用组合的空间和时间滤波进行学习，处理物体运动、亮度变化、低光条件和时间不一致性。通过特定数据集的训练，ViDeNN 在常见基准测试和自采数据上取得了与现有技术相当的好结果。

    Apr, 2019

  • 动态场景下带基准数据集的监督原始视频去噪

    本文提出了一种基于监督学习策略的视频降噪方法 RViDeNet，并构建了一个包括 55 组带噪声 - 无噪声对的动态视频数据集，实验表明我们的方法在室内外视频降噪方面表现优于现有算法。

    Mar, 2020

  • FastDVDnet: 实时的深度视频降噪技术 —— 无需流估计

    介绍了一种基于卷积神经网络架构的视频去噪算法 FastDVDnet，该算法展现了比现有最佳基于 patch 的方法更快的运行时间和相似或更好的去噪效果，并可以通过使用单个网络模型来处理广泛的噪声水平。

    Jul, 2019

  • 基于帧间训练的视频去噪算法

    本研究提出了一种基于预训练 AWGN 降噪网络的全盲视频降噪方法，采用一种新颖的帧对帧训练策略，实现了离线和在线两个版本。我们的降噪器可以在不知道视频来源的情况下使用，并达到了标准高斯噪声的最先进性能。在线过程仅需要几个帧即可实现广泛範围的扰动的令人满意的结果，同时在离线情况下性能更好。

    Nov, 2018

  • 盲多帧视频去噪的自监督训练

    提出了一种自监督的方法来训练多帧视频去噪网络，利用光流对齐之后惩罚预测帧和相邻目标帧之间的误差，实现了针对不同类型噪声的盲去噪，且在在线自我学习阶段表现优异。

    Apr, 2020

  • 通过预测噪音实现无监督学习

    本文介绍了一种通用的框架，用于在没有监督的情况下对深度网络进行端对端训练，通过固定一组目标表示并约束其深度特征对齐到这些表示来达到目的，同时采用了随机批量重新分配策略和可分离的平方损失函数来缓解标准无监督学习中的一些问题，并且在 ImageNet 和 Pascal VOC 上能够实现与最先进的无监督方法相媲美的表现。

    Apr, 2017