自监督方法在各种成像逆问题中最近证明了几乎与监督方法一样有效,在科学和医学成像应用中为基于学习的方法铺平了道路,其中获得地面真实数据难度或费用较高,在磁共振成像和计算机断层扫描中就是这种情况。然而,现有方法在图像超分辨率和去模糊问题中无法取得竞争性能,在大多数成像系统中起着关键作用。在本文中,我们展示了对于仅包含低频信息的测量数据,对于学习的翻译和旋转不变性是不足够的。相反,我们提出了一种新的自监督方法,利用了许多图像分布近似尺度不变的事实,可以应用于任何高频信息在测量过程中丢失的逆问题。通过一系列实验在真实数据集上证明了所提方法优于其他自监督方法,并获得了与完全监督学习相当的性能。
Dec, 2023
本文提出了几种方法来提高基于深度学习的图像去模糊的稳定性,包括使用小型神经模型和引入预处理步骤。数值实验证实了这些方法的精度和稳定性,尤其是基于模型的框架在视觉精度和鲁棒性之间提供了最可靠的平衡。
May, 2023
本文提出了一种全卷积网络用于迭代非盲去卷积,通过将非盲去卷积问题分解成图像去噪和图像去卷积,训练 FCNN 在梯度域中消除噪声,并使用学习到的梯度来引导图像去卷积步骤,可以迭代地去模糊图像,能够学习自适应的图像先验,保持局部(细节)和全局(结构)信息,经过基准数据集的定量和定性评估表明,所提出的方法在质量和速度方面表现优异,可胜任同类算法。
Nov, 2016
本文提出了一种基于 Swin Transformer 的 Image Autoencoder(SwinIA),用于自监督图像去噪,无需像素掩蔽,不需要任何关于噪声分布的先验知识,可以用简单的均方误差损失进行端到端训练,且在多个常见基准测试中均取得了最先进的性能。
利用深度卷积神经网络(CNN)开发了一种图像去噪方法:Noise2Inverse,可以应用于线性图像重建算法,无需任何额外的干净或噪声数据,通过利用噪声模型计算多个统计独立的重建来实现训练,该方法在模拟 CT 数据集和现实实验数据集中均显示出优于现有状态下的图像去噪方法和传统重建方法,能够显著降低噪声。
Jan, 2020
本文提出了一种结合 DIP 的插入式自监督网络框架,使用未经训练的神经网络解决了快照压缩成像的光谱重建问题,实验证明该算法可以在不使用大量模拟数据的情况下取得与基于训练的网络相媲美的性能,并可与预训练的深度去噪先验结合以获得最先进的结果。
Aug, 2021
提出了一种基于盲点网络(blind-spot networks)的有条件盲点网络(C-BSN),采用随机子采样器进行空间去相关降噪,并在实际数据集上实现了最先进的性能。
Apr, 2023
本文提出一种可微分的重新模糊模型,支持自我监督的运动去模糊,通过利用从连续图像中获取的运动线索,将去模糊问题突破为反渲染问题,包括使用卷积神经网络和真实数据集进行实验,并证明单幅图像自我监督去模糊是可行的,能够实现视觉上令人满意的结果。
Feb, 2020
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
用卷积神经网络进行图片去噪是计算摄影学中重要的工具,本研究提出了一种新的全卷积网络结构,使用扩张卷积实现盲点性质,该网络在已有数据集上表现优于之前的工作并取得了最新成果。
Aug, 2020