通过自协同并行生成对抗分支在真实场景中进行无监督图像去噪

ICCVAug, 2023

通过自协同并行生成对抗分支在真实场景中进行无监督图像去噪

Unsupervised Image Denoising in Real-World Scenarios via Self-Collaboration Parallel Generative Adversarial Branches

Xin Lin, Chao Ren, Xiao Liu, Jie Huang, Yinjie Lei

TL;DR基于生成式对抗网络的无监督方法在图像去噪方面取得了优异的性能，而我们提出的基于滤波引导噪声提取模块的深度学习策略能够在不增加推理复杂性的情况下显著提高去噪框架的性能。

Abstract

deep learning methods have shown remarkable performance in image denoising, particularly when trained on large-scale paired datasets. However, acquiring such paired datasets for real-world scenarios poses a signi

deep learning image denoising unsupervised approaches generative adversarial networks filter-guided noise extraction module

发现论文，激发创造

Self2Self+: 自监督学习与图像质量评估损失的单图像降噪

利用单一图像进行自监督学习的提出方法利用门控卷积进行特征提取及无参考图像质量评估引导训练过程，采用伯努利采样从输入图像数据集中选择样本进行训练，并通过平均来自训练网络具有中断的各个实例的生成预测来产生相应结果，实验结果表明所提出的方法在合成和真实世界数据集上实现了最先进的去噪性能，突显了该方法作为各种噪声去除任务的有效性和实用性。

Jul, 2023

多视角自监督解缠结通用图像降噪

通过多角度自监督解缠方法 (MeD)，本文在合成噪声和真实噪声的实验分析中展现了该方法在未见过的新噪声类型上相对于之前的自监督方法的卓越性能。在真实噪声上，该方法的性能甚至超过了其监督对照组超过 3 dB。

Sep, 2023

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

双重对抗网络：朝着现实世界的噪声去除与噪声产生

本研究提出了一个新的统一框架，旨在同时处理噪声消除和噪声生成任务，学习清洁 - 噪声图像对的联合分布，通过生成器映射干净图像到噪声图像和去噪器映射噪声图像到干净图像以逼近联合分布。本文还提出了两个衡量生成的噪声图像质量的指标，并在实验中证明了该方法在真实噪声消除和生成任务中的优越性。

Jul, 2020

IDR: 迭代数据精化的自监督图像去噪

该论文提出了一种实用的无监督图像去噪方法，其只需要单个有噪声的图象和噪声模型，通过迭代的方式训练模型来实现去噪，得到了目前最先进的去噪效果，并构建了高质量的原始图像数据集 SenseNoise-500，以作为更好评估原始图像去噪性能的强大基准。

Nov, 2021

深度图像去噪的无配对学习

本文提出了一个两阶段框架，通过结合自监督学习和知识蒸馏的方法来促进无配对洗涤网络的学习，该方法在合成和真实噪声图像的定量和定性评估方面表现良好。

Aug, 2020

学习清洁：GAN 透视

该研究论文探讨了使用生成对抗网络（GAN）和 CycleGAN，将未配对的噪声和无噪声图像转化为配对的干净文档，以用于清理噪声扰动，实现文档清理的任务。

Jan, 2019

生成变分自编码器无监督真实图像超分辨率

本文提出了基于生成模型的感知图像超分辨率方法，结合变分自编码器实现了联合降噪和超分辨率，使用条件生成对抗网络实现了具有良好视觉效果的图片超分辨率，并通过实验验证了该方法的有效性。

Apr, 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

无监督图像超分辨率使用循环对抗网络

本文提出了一种无监督学习的方法，利用生成对抗网络和 Cycle-in-Cycle 网络结构，通过映射、上采样和微调等三个步骤，将带有噪声和模糊的低分辨率图片转换为高分辨率图片，并在 NTIRE2018 数据集上取得了与有监督模型相当的效果。

Sep, 2018