Oct, 2023

基于 JPEG 信息规范化的深度图像先验去噪

PDF
TL;DR图像去噪是计算机视觉领域中代表性的图像恢复任务。最近关于只使用噪声图像进行图像去噪的研究引起了广泛关注。深度图像先验 (DIP) 通过卷积神经网络结构的归纳偏置实现了成功的只使用噪声图像进行图像去噪，而无需任何预训练。DIP 图像去噪的主要挑战是，除非应用早停止技术，否则 DIP 将完全恢复原始噪声图像。为了在没有原始清晰图像的情况下进行早停止，我们提出通过优化过程中监视恢复图像的 JPEG 文件大小作为噪声水平的代理度量标准。实验证明，压缩图像文件大小可以作为早停止的有效指标。
发现论文，激发创造
  • 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

  • DeepRED: 基于 RED 提供动力的深度图像先验

    该论文介绍了一种将深度学习技术与反问题相结合的方法 ——Deep Image Prior（DIP），并提出了一种新的正则化方法 Regularization by Denoising（RED），将 DIP 与 RED 相结合，建立了高效的无监督反问题恢复流程，并通过多个测试问题证明其有效性。

    Mar, 2019

  • 双重深层图像先验的联合去马赛克和去噪

    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。

    Sep, 2023

  • 通过降噪的联合学习优化图像压缩

    针对智能手机拍摄图像噪点问题，提出一种噪点感知的联合去噪与压缩图像算法，通过消除噪点并将其转换为无噪点位，以解决压缩图像时出现的误差位分配问题，实现了一个简单高效的两分支共享权重架构，并在合成和实际的数据集上获得了显著的性能提升。

    Jul, 2022

  • 学习压缩图像时去噪的重要性

    本文提出在训练编解码器时明确地学习图像去噪任务，通过监督编解码器的噪声 - 干净图像对，得出训练多种噪声水平图像组成的混合模型效果最佳，能在压缩、去噪任务中优于一组去噪 - 压缩模型。

    Jul, 2023

  • 深度图像先验分析与图像重建中的自引导利用

    通过分析深度图像先验（DIP）的训练动态，我们揭示了 DIP 基于核函数制度下从欠采样图像测量中恢复信息的重要属性；通过引入参考图像作为网络输入并结合新颖的去噪正则化项，我们提出了一种自引导重建方法，通过同时优化网络权重和输入，消除了训练数据的需求，并在磁共振图像重建方面超过了传统 DIP 和现代监督方法，并且在图像修补中也优于之前基于 DIP 的方案。

    Feb, 2024

  • 使用深度图像先验和学习正则化的压缩感知技术

    通过未经训练的深度生成模型提出一种新方法，解决压缩感知恢复问题，具有比以前的方法更好的性能，并且不需要大规模数据集的预训练。同时，结合了关于网络权重的先验知识的新型学习正则技术，减少了重建误差。最后，通过 DIP 优化方法，证明了适度超参数的单层神经网络可以完美拟合任何信号，这一理论结果为提前停止提供了依据。

    Jun, 2018

  • 上采样中的魔鬼：深度图像先验去噪中的简化架构决策

    本研究从频率角度分析了 Deep Image Prior 中未经学习的上采样是 DIP 去噪现象的主要驱动力，因此提出了一种无需耗时搜索即可估算出每张图像适当的网络结构的方法，实验结果表明，估算出的网络结构在去噪和保留纹理细节方面比当前方法使用更少的参数且效果更好，且因其欠参数化的性质，更能抵抗高噪声干扰。

    Apr, 2023

  • 深度图像与核先验的图像反卷积

    本文基于近期提出的深度图像先验方法 deep image prior，在图像去卷积中引入 kernel 先验方法，实验结果表明，该方法有助于提高学习无关的图像去卷积的性能，以 PSNR 和视觉效果为标准进行了六个标准测试图像的实验。

    Oct, 2019

  • JPEG 压缩图像可以绕过对抗 AI 编辑的保护

    针对文本生成图像模型广泛应用于编辑和创建高质量图片而导致的潜在恶意篡改和 Deepfake 制作问题，本论文讨论使用不可感知的干扰来保护图片的有效性，强调稳健性在防御 JPEG 压缩攻击的重要性，并提出其他保护图片的替代方案。

    Apr, 2023