Jul, 2023

一种新的截断范数调整方法用于多通道彩色图像降噪

PDF
TL;DR本文提出了一种基于双重加权截断核范数减去截断 Frobenius 范数最小化的方法，通过利用噪声图像的非局部自相似性来聚合类似结构并构建一系列类似的补丁矩阵，每个组采用 DtNFM 模型来估计其去噪版本，提供了处理复杂噪声分布的足够灵活性，并通过 ADMM 框架最小化问题。
low-rank approximationcolor image denoisingdouble-weighted truncated nuclear normfrobenius norm minimizationnonlocal self-similarity
发现论文，激发创造
  • 多通道加权核范数最小化用于实际彩色图像去噪

    本研究提出了一种基于多通道优化模型的加权核范数最小化方法进行真实彩色图像去噪的算法，该方法采用权重矩阵平衡三个通道的数据保真度并引入可用于通道冗余的 RGB 贴片，通过交替方向乘子法解决该 MC-WNNM 模型，实验结果表明该算法在合成和真实噪声图像数据集上优于现有的去噪方法。

    May, 2017

  • 非凸加权 Lp 核范数 ADMM 框架用于图像恢复

    本文提出了一种通过非凸加权 Lp 核范数极小化方法进行图像恢复的新方法，以更准确地同时强制执行图像结构稀疏性和自相似性，并采用交替方向乘子法（ADMM）求解相关的非凸极小化问题，实验结果表明，该方法在目标和感知质量方面均优于目前许多最先进的方法。

    Apr, 2017

  • 一种经过理论保证的四元数加权 Schatten p - 范数最小化方法用于彩色图像恢复

    该论文提出了一种基于四元数的加权核范数最小化和加权谱范数最小化方法来解决彩色图像恢复问题，并通过实验证明该方法在彩色图像去噪和去模糊等任务上表现优秀，同时也对该方法进行了理论收敛性分析。

    Jul, 2023

  • 使用核范数和学习图模型进行深度图像去噪

    本文提出了一种基于群体图核范数和学习图的深度图像去噪算法，通过分组来挖掘图像内在低秩特性，在去噪过程中加入了拓扑结构来表达平滑先验。实验结果表明，该方法在主客观指标上均优于当前的其他去噪方法。

    Aug, 2020

  • 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

  • 图像去噪和背景减除的加权 Schatten p - 范数最小化

    本研究提出了一种更灵活的模型，称为加权 Schatten p - 范数最小化，用于恢复低秩矩阵。该模型不仅提供了更好的低秩矩阵逼近，并且考虑了不同秩分量的重要性。使用加权 Schatten p - 范数最小化在低级视觉问题（如图像去噪和背景减法）方面，相对于现有方法，可以更有效地去除噪声，对复杂和动态场景进行建模。

    Dec, 2015

  • 图像去噪的非局部参数方法统一框架

    我们提出了一种统一的非局部方法的观点，用于单图像去噪，其中 BM3D 是最流行的代表，根据它们的相似性将噪声补丁收集在一起以进行协同处理。我们的一般估计框架基于二次风险的最小化，在两个步骤中近似，并适应光子和电子噪声。在第一步中依靠无偏风险估计（URE），在第二步中依靠从深度学习理论中借鉴的 “内部适应” 概念，我们展示了我们的方法能够重新解释和融合先前的最先进的非局部方法。在这个框架内，我们提出了一种名为 NL-Ridge 的新型去噪算法，它利用了补丁的线性组合。虽然在概念上更简单，但我们展示了 NL-Ridge 可以胜过成熟的最先进的单图像去噪算法。

    Feb, 2024

  • 去噪正则化：澄清和新解释

    通过 Score-Matching by Denoising 框架提出了相对于 Regularization by Denoising 更加合理且可解释的算法，并且在加速和收敛性方面有所提升，并且发现 Regularization by Denoising 算法寻找共识平衡解，便于与 plug-and-play ADMM 进行比较。

    Jun, 2018

  • 基于张量的多能量计算机断层扫描成像的核范数正则化表达

    本文提出一种基于张量的迭代算法，针对能量选择性计算机断层成像（CT）问题，通过设计张量核范数约束器来重建每个能量的 X 射线衰减分布，能够有效应对低能图像噪声的影响。

    Jul, 2013

  • 使用去噪扩散零空间模型的零样本图像恢复

    本文提出了一种名为 DDNM 的新颖的零射击框架，用于任意线性图像修复问题，包括但不限于图像超分辨率、上色、修补、压缩感知和去模糊。DDNM 只需要一个预先训练好的 diffusion 模型作为生成先验，而不需要任何额外的训练或网络修改。我们在几个 IR 任务上的实验表明，DDNM 优于其他最先进的零射击 IR 方法。

    Dec, 2022