学习压缩图像时去噪的重要性
针对智能手机拍摄图像噪点问题,提出一种噪点感知的联合去噪与压缩图像算法,通过消除噪点并将其转换为无噪点位,以解决压缩图像时出现的误差位分配问题,实现了一个简单高效的两分支共享权重架构,并在合成和实际的数据集上获得了显著的性能提升。
Jul, 2022
本文提出了一种集成多尺度去噪器的新方法,用于联合图像压缩和去噪。通过强调噪声与干净图像之间的相关性,采用对比学习的方式来提高网络区分噪声与高频信号的能力,实验证明该方法在失真性能和编解码速度方面优于当前的最新技术水平。
Feb, 2024
本研究介绍了自然图像噪声数据集(NIND),用于训练盲目去噪模型,此数据集包括具有不同 ISO 噪声水平的 DSLR 式图像。我们展示了使用 NIND 训练的去噪模型,其在 ISO 噪声上显着优于 BM3D,即使推广到来自不同类型的相机的图像也是如此。这个数据集是开放的,可以进行整理和贡献,并可用于未来的图像去噪应用。
Jun, 2019
该论文提出了一个框架,通过仅依赖噪声图像对而不是噪声 / 清洁图像对,同时训练噪声模型和降噪器,应用于 Noise Flow 架构的训练。结果表明,该框架在噪声合成和密度估计方面优于先前的基于信号处理的噪声模型,并且与其受监督的对手相当,训练的降噪器也被证明显着改进了监督和无监督基线降噪方法,这表明降噪器和噪声模型的联合训练可以显著提高降噪器的性能。
Jun, 2022
本论文提出了训练神经网络进行图像去噪的方法,该方法无需干净训练数据或带噪训练数据。该方法仅需要每个训练样本的单个噪声实现和噪声分布的统计模型,并适用于各种噪声模型,包括具有空间结构的噪声。该模型的表现与需要更多训练数据的其他学习方法相当,且优于传统非学习去噪方法。本文提出了我们的方法对于任意加性噪声的推导,对于特定的高斯加性噪声的改进,以及对于乘性伯努利噪声的扩展。
Oct, 2019
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
我们提出的信噪比感知联合解决方案利用局部和非局部特征对图像压缩和去噪进行同时处理,通过设计一个端到端可训练的网络,它包括主编码器分支、引导分支和信噪比感知分支,我们在合成和真实数据集上进行了广泛实验,证明我们的联合解决方案优于现有的最先进方法。
Mar, 2024
本文通过基础的统计推理,发现仅通过研究受损样本可以学习恢复图片,无需外部信息,仅基于含噪数据一个模型能解决多种图像重建问题,包括消除照片噪点和去噪等。
Mar, 2018
图像去噪是计算机视觉领域中代表性的图像恢复任务。最近关于只使用噪声图像进行图像去噪的研究引起了广泛关注。深度图像先验 (DIP) 通过卷积神经网络结构的归纳偏置实现了成功的只使用噪声图像进行图像去噪,而无需任何预训练。DIP 图像去噪的主要挑战是,除非应用早停止技术,否则 DIP 将完全恢复原始噪声图像。为了在没有原始清晰图像的情况下进行早停止,我们提出通过优化过程中监视恢复图像的 JPEG 文件大小作为噪声水平的代理度量标准。实验证明,压缩图像文件大小可以作为早停止的有效指标。
Oct, 2023
为了在低光图像中同时实现更高的压缩率和更好的增强性能,我们提出了一个新的图像压缩框架,并对低光图像增强进行联合优化。实验结果表明,我们提出的联合优化框架相对于现有的 “压缩后增强” 或 “增强后压缩” 顺序解决方案,在低光图像中实现了显着的改进。
May, 2023