Sep, 2023

基于单图像的无监督联合分割和降噪

PDF
TL;DR我们开发了一种无监督的方法，用于单幅图像的联合分割和去噪。我们结合了变分分割方法的优势和自监督单幅图像的深度学习方法的能力。我们的方法的一个主要优点在于，与需要大量标记样本的数据驱动方法相比，我们的模型可以将图像分割为多个有意义的区域，而无需任何训练数据库。此外，我们引入了一种新的能量函数，其中去噪和分割被耦合在一起，使得两个任务相互受益。我们提出了一种统一的优化策略，并展示了在显微镜中可用的非常嘈杂的图像方面，我们提出的联合方法在性能上优于其顺序对应物以及纯粹针对去噪或分割的替代方法。我们还与设计用于相同应用的监督深度学习方法进行了比较，突出了我们方法的良好性能。
unsupervised methodsegmentationdenoisingvaritational segmentation methodself-supervised deep learning approach
发现论文，激发创造
  • 联合去噪和分割

    提出了一种名为 DenoiSeg 的方法，该方法可以在只有很少标注的分割数据的情况下通过噪声优化嵌入式自我监督流程来训练物体分割模型，从而实现高质量分割且不需要大量标注数据的目标。

    May, 2020

  • 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

  • denoiSplit：一种联合图像分割与无监督去噪的方法

    本研究提出了 denoiSplit，一种解决联合语义图像分割和无监督去噪的新分析方法。该方法在荧光显微镜中具有重要应用，语义图像分割在此应用中十分关键，但图像噪声通常会妨碍对图像内容的后续分析。我们的方法通过集成无监督去噪子任务来处理图像噪声，从而改善语义图像解 mixing 的效果，即使在存在显著和真实水平的成像噪声的情况下也能取得良好效果。denoiSplit 的一个关键创新点是使用特定的噪声模型，并适当调整适用于训练的高维分层潜在空间的 KL 散度损失。我们在真实世界的显微镜图像上展示了 denoiSplit 在 4 个任务上的性能，并进行了定性和定量评估，并将结果与现有基准进行了比较，证明了使用 denoiSplit 的有效性：一个使用两个适当的噪声模型联合执行语义分割和去噪的单一变分分割编码器 - 解码器（VSE）网络。

    Mar, 2024

  • 无监督结构噪声去除的变分有损自编码器

    本研究介绍了一种基于深度学习的无监督降噪方法，能够移除图像中的信号相关噪声和轴向相关噪声，无需干净图像或噪声模型作为输入，实验结果表明该方法优于现有的自监督和无监督图像降噪方法。

    Oct, 2023

  • 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

  • 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

  • 联合端到端图像压缩和去噪：利用对比学习和多尺度自注意机制

    本文提出了一种集成多尺度去噪器的新方法，用于联合图像压缩和去噪。通过强调噪声与干净图像之间的相关性，采用对比学习的方式来提高网络区分噪声与高频信号的能力，实验证明该方法在失真性能和编解码速度方面优于当前的最新技术水平。

    Feb, 2024

  • 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

  • 因式分解扩散结构用于无监督图像生成与分割

    我们发展了一种神经网络架构，以无监督的方式作为去噪扩散模型进行训练，同时学习生成和分割图像。通过去噪扩散目标来推动学习，无需任何注释或有关区域的先验知识进行训练。神经网络的计算瓶颈鼓励去噪网络将输入分成区域，在并行处理中去噪并结合结果。我们训练的模型生成了合成图像，并通过简单检测其内部预测分割来进行语义分割。在没有任何微调的情况下，我们直接将我们的无监督模型应用于通过加噪和随后去噪来分割真实图像的下游任务。实验表明，我们的模型在多个数据集上实现了准确的无监督图像分割和高质量的合成图像生成。

    Sep, 2023

  • 基于序列分解的联合增强和降噪方法

    本文提出了一种联合的低光增强和去噪策略，通过 Retinex 模型基于分解进行顺序处理，对每个组件强制施加空间平滑性，巧妙地利用权重矩阵来抑制噪声和提高对比度，实现了对低光图像的有效增强和去噪。

    Apr, 2018