Sep, 2023

双重深层图像先验的联合去马赛克和去噪

PDF
TL;DR我们提出了一种新的联合去马赛克和降噪方法，名为 JDD-DoubleDIP，它直接在单个 RAW 图像上操作，无需任何训练数据。实验结果表明，我们的方法在 PSNR、SSIM 和质量视觉感知等方面始终优于其他比较方法。
demosaicingdenoisingraw imagesneural-network-based approachesjdd-doubledip
发现论文，激发创造
  • 野外联合去马赛克和降噪：在真实情况下降低地面真实性不确定性的情况

    本研究提出和研究了一种名为 Wild-JDD 的新型联合去马赛克和去噪声的学习框架，并成功实现了对于数字相机管道中图像去马赛克和去噪声的高效处理。

    Jan, 2021

  • 通过原始图像序列的微调实现联合去马赛克和降噪

    本篇论文提出了一种使用卷积神经网络从镶嵌图像直接学习去马赛克，而不需要真实 RGB 数据的方法，并应用于从 RAW 图像中学习联合去马赛克和去噪的技术，进一步证明 Fine-Tuning 带来的优势。

    May, 2019

  • 基于生成对抗网络的感知优化联合去马赛克和降噪

    该文提出了一种基于生成对抗网络的联合去马赛克和去噪方法，通过感知优化保证恢复图像的视觉质量，其结果在客观和主观质量指标上表现出优于现有先进技术的结果，且有可比性的计算成本。

    Feb, 2018

  • 利用残差降噪网络进行迭代式联合图像去马赛克和降噪

    本文提出了一种新的既刻画又透明的迭代优化算法，通过联合去噪和去马赛克的方式，能够高效地处理数字相机图像的质量提升问题，相较于现有的无规则数据驱动算法，能够用更少的可训练参数快速训练，效果显著。

    Jul, 2018

  • 用于有效联合去马赛克 - 去噪的残差学习

    本文提出了一种优于当前最先进方法的图像去马赛克和降噪算法，该算法将传统的 CFA 处理流程中的处理顺序颠倒，首先进行图像去马赛克，然后进行降噪，避免了传统方法中的众多问题。算法利用卷积神经网络进行实现并具有处理高噪声的能力。

    Sep, 2020

  • 级联卷积残差去噪网络实现深度图像去马赛克

    本文提出了一种新的深度学习架构，应用场景为联合图像清晰化和去噪。与基于深度学习的现有方法相比，该网络需要较少的可训练参数，具有更为透明和清晰的解释能力，在噪声和非噪声数据上均优于其他方法并具有良好的泛化能力。

    Mar, 2018

  • 深度残差网络实现联合插值和超分辨率

    本论文提出了一种使用深度残差网络联合执行 Bayer 图像去马赛克和超分辨率的方法，按照高质量样本训练的模型可在单步骤中从低分辨率 Bayer 马赛克图像中恢复高质量的超分辨率图像。实验表明，该方法优于目前的各种技术，并在定量和定性指标上取得了优异的表现。

    Feb, 2018

  • 一个旧困境的回顾：先去马赛克还是先去噪声？

    本文通过对多种图像去噪和去马赛克策略进行的广泛评估得出，最佳的重建全彩色图像的方法是先进行去马赛克，然后再进行去噪。但需要特定的去噪算法适应于去马赛克的噪声。

    Apr, 2020

  • DeepISP：朝向学习端到端图像处理流程

    DeepISP 是一个全面的端到端深度神经模型，用于照相机图像信号处理（ISP）管道，学习从原始低光马赛克图像到最终具有视觉吸引力的图像的映射，并包括去马赛克、降噪以及色彩校正等低层次任务，以及更高层次的图像调整任务。该解决方案在 PSNR 的客观评估方面实现了最先进的性能，在完整的端到端管道中，相比制造商 ISP，在主观人类评估和由用于评估图像质量的深度模型评分时具有更好的视觉质量。

    Jan, 2018

  • 重新思考深度图像先验去噪

    通过有效自由度的分析和 “随机时间组合” 方法，我们扩展了 “深度图像先验” 的应用，特别针对去噪问题提出了优化的方案，在保留图像文本细节的同时，性能表现优于以前的方法。

    Aug, 2021