ICCVAug, 2023

基于分数先验引导的深度变分推断方法用于无监督的实际场景单图像去噪

PDF
TL;DR通过引入得到易用的最小 MSE 非独立同分布高斯去噪器和变分采样，我们提出了一种得分先验引导的深度变分推理方法 ScoreDVI，用于实际场景的去噪。同时，我们利用非独立同分布高斯混合模型和变分噪声后验建模来适应实际场景噪声，并实现多个图像先验和变分图像后验的逐像素融合。此外，我们还开发了一个噪声感知的先验分配策略，动态调整优化中图像先验的权重。我们的方法在实际场景的单图像去噪中表现优于其他方法，且与基于数据集的无监督方法具有相当的性能。
single image denoisingbayesian inversionsscore priorsdeep variational inferencereal-world denoising
发现论文，激发创造
  • 利用从噪声数据中学习到的基于分数的生成先验解决反问题

    本文介绍了 SURE-Score， 一种使用受加性高斯噪声污染的训练样本学习基于分数的生成模型的方法，演示了 SURE-Score 在学习先验知识和应用后验采样到压缩无线 MIMO 信道估计和加速 2D 多线圈磁共振成像重建等领域中的可广泛应用性。

    May, 2023

  • 基于得分函数的无监督图像降噪

    本文提出了一种更通用的解决方案，利用分数函数的性质，通过求解系统去除单张图像噪音，可应用于多种复杂噪音模型。实验结果表明，与其他方法相比，我们的方法在复杂的噪声模型下表现良好。

    Apr, 2023

  • 变分去噪网络：朝向盲噪声建模和去除

    本文介绍了一种新的变分推断方法 - Variational Denoising Network（VDN），该方法将噪声估计和图像去噪综合到一个贝叶斯框架中。使用由深度神经网络参数化的近似后验条件于输入的图像和噪声方差的潜变量，提供具有显式参数形式的后验分布，可用于自动噪声估计的盲图像去噪。VDN 既具有传统模型驱动方法的优点，也具有数据驱动深度学习方法的效率、灵活性和可解释性，且能够在真实场景下估计并消除复杂的非 i.i.d 噪声。综合实验结果表明，该方法在盲图像去噪方面具有优越性。

    Aug, 2019

  • 基于评分的生成先验引导的 MRI 重建模型驱动网络

    使用 Langevin 动力学的得分匹配（SMLD）方法已成功应用于加速 MRI。本研究提出一种新的工作流，将 SMLD 结果作为额外的先验来指导模型驱动的网络训练，通过引入预训练的网络和去噪模块，有效改善 PGI 的质量，并设计一个模型驱动的网络，在低质量的 PGI 中提取有价值的信息来指导网络训练，以减轻幻觉伪影，获得稳定和高质量的重建结果。

    May, 2024

  • 高斯分数匹配伴随变分推理

    本文提出了一种新的基于评分匹配原则的变分推断方法及其迭代算法，即 score matching VI，并给出了高斯变分情况下的具体解法，GSM-VI，该算法比 BBVI 更快且更准确，适用于广泛的模型和数据，并在实际贝叶斯推断问题中得到广泛应用。

    Jul, 2023

  • 逆问题中的去噪分数匹配用于不确定性量化

    本研究提出了一种基于贝叶斯框架的深度神经网络反问题求解方法，使用噪声分数匹配技术学习先验分布，并结合模拟退火算法对图像反问题进行全面采样，应用于磁共振成像重建，提供了高质量的图像重建以及重建图像中特定特征的不确定性评估。

    Nov, 2020

  • Noise2Score：基于 Tweedie 的自监督图像去噪方法无需干净图像

    本研究提出一种名为 Noise2Score 的新方法，通过发现后验分布的模式并使用梯度的得分函数来解决无干净参考图像的图像去噪问题，该方法可以处理任何指数族分布和噪声参数下受损图像的降噪，并在实验中表现出比现有方法更佳的性能。

    Jun, 2021

  • 盲图像去噪的深度图像先验学习

    本文提出了一种基于领域对齐的有效图像去噪方法，该方法学习了两个图像先验知识，其中特征级先验用于学习对抗训练中的不同噪声水平下对抗特征，像素级先验则用于推动去噪图像到自然图像流形。结果表明，该方法有效地提高了合成和真实噪声图像的去噪能力，并可以用于盲去噪任务以及提高感知质量。

    Jun, 2019

  • 直接无监督去噪

    通过训练确定性网络与变分自编码器一起直接预测中心趋势的方法，以在计算成本的一小部分下取得超越无监督方法的结果。

    Oct, 2023

  • VDIP-TGV: 基于总变差的变分深度图像先验增强的盲图像去卷积

    本文提出的 VDIP-TGV 模型将总体广义变分正规化与 VDIP 相结合，通过 TGV 补充额外的梯度信息，有效地恢复图像边缘和细节。此模型通过交替方向乘法器方法（ADMM）求解，定量和定性实验证明了 VDIP-TGV 优于各种最先进的模型。

    Oct, 2023