Sep, 2023

图像去噪：基于样式解缠的方法

PDF
TL;DR通过提取噪音图片和清晰图片的噪音样式和无噪音样式，并利用低响应噪音特征和高响应内容特征的特征空间，从而分离干净内容和噪音，实现像素级属性编辑的图像去噪方法。在合成噪音去除和真实世界图像去噪数据集（SIDD 和 DND）上的广泛实验证明了该方法在 PSNR 和 SSIM 度量方面的有效性，并且在实验中验证了该方法具有良好的可解释性。
image denoisingdeep learningnoise removalimage styleinterpretability
发现论文，激发创造
  • 通过结构化噪声注入实现图像分离生成

    通过多个噪声编码与全连接层进行注入噪声的设计选择，实现了对生成对抗网络（GANs）的潜在空间进行解缠纷的目标，并达到更好的解缠纷分数，同时实现了对生成图像的空间解缠纷、尺度空间解缠纷和前景对象与背景样式的解缠纷，从而实现了对生成图像的精细控制。

    Apr, 2020

  • 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

  • 去噪：从传统方法到深度卷积神经网络

    该论文探讨图像去噪的演变过程，从傅里叶分析和小波基础方法到神经网络，尤其是 U-Net 的出现。神经网络在 2010 年代的研究中展现出卓越的性能，适用于各种图像类型，包括具有固定规律性、人脸图像和卧室场景，以及对几何适应性调和基础有偏好的结果。引入分数扩散在图像生成中起着关键作用，图像去噪在这一背景下变得至关重要，因为它有助于概率密度的估计。我们讨论了真实学习概率密度的先决条件，并提供了从数学研究到通用结构的深入洞察。

    Apr, 2024

  • 当图像去噪遇见高级视觉任务：一种深度学习方法

    本文使用卷积神经网络对图像去噪，并将其与各种高级任务联合处理，使用联合损失更新去噪网络，证明了同时利用图像语义进行图像去噪及高级视觉任务的益处。

    Jun, 2017

  • 深度学习连接图像去噪和高级视觉任务

    本文提出了使用卷积神经网络进行图像去噪和利用深度学习同时处理图像去噪和高级视觉任务的解决方案，并进行了实验验证。

    Sep, 2018

  • 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

  • 基于卷积神经网络的图像去噪：对抗性方法

    通过卷积神经网络，我们提出了一种新的盲目图像降噪 CNN 架构，该架构综合了三个架构组件，包括多尺度特征提取层，l_p 规范化器以及三步训练方法，并与现有方法相比表现出具有竞争力的降噪性能。

    Aug, 2017

  • 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

  • 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

    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。

    Aug, 2023

  • 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