Oct, 2023

无监督结构噪声去除的变分有损自编码器

PDF
TL;DR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。
unsupervised denoisingdeep learning-based denoisernoise modelingvariational autoencoder (vae)image denoising
发现论文，激发创造
  • 直接无监督去噪

    通过训练确定性网络与变分自编码器一起直接预测中心趋势的方法，以在计算成本的一小部分下取得超越无监督方法的结果。

    Oct, 2023

  • 生成变分自编码器无监督真实图像超分辨率

    本文提出了基于生成模型的感知图像超分辨率方法，结合变分自编码器实现了联合降噪和超分辨率，使用条件生成对抗网络实现了具有良好视觉效果的图片超分辨率，并通过实验验证了该方法的有效性。

    Apr, 2020

  • 变分自编码框架中的去噪准则

    本文研究了对输入和隐层同时进行噪声注入的变分自编码器，提出了一种改进的目标函数。当输入数据有噪声时，传统的变分自编码器的训练方法不可行，这里提出了一种可行的训练方法。实验结果表明，在 MNIST 和 Frey Face 数据集上，提出的去噪变分自编码器（DVAE）的平均对数似然比 VAE 和重要性加权自编码器更好。

    Nov, 2015

  • 用于非监督异常检测的上下文编码变分自编码器

    本研究提出了一种基于深度学习自编码器的未监督学习方法，结合了重构与密度计算的异常得分方法，成功地应用于医学影像的异常检测，并在 BraTS-2017 和 ISLES-2015 分割基准测试中表现出色。

    Dec, 2018

  • 变分有损自编码器

    本文提出了一种基于变分自编码器和神经自回归模型的简单但原则性的方法来学习全局表示，该方法允许对全局潜在特征进行控制，通过设计相应的架构，可以迫使全局潜在特征丢弃 2D 图像纹理等无关信息，并且通过利用自回归模型作为潜在分布和解码分布，可以大大提高 VAE 的生成建模性能，实现了 MNIST、OMNIGLOT 和 Caltech-101 Silhouettes 密度估计任务的新的最先进结果。

    Nov, 2016

  • SeNM-VAE：具有层级变分自编码器的半监督噪声建模

    该研究提出了 SeNM-VAE，一种半监督噪声建模方法，利用配对和非配对数据集生成逼真的退化数据。通过特殊设计的图形模型对退化和清晰图像的条件分布进行建模，在变分推断框架下开发了处理配对和非配对数据的客观函数。我们将该方法应用于真实世界的图像去噪和超分辨率任务中，其合成的退化图像质量优于其他非配对和配对噪声建模方法。此外，即使在有限的配对数据的情况下，我们的方法在下游图像恢复任务中也表现出色。随着更多的配对数据，我们的方法在 SIDD 数据集上实现了最佳性能。

    Mar, 2024

  • 去噪对抗自编码器

    该研究论文介绍了一种结合去噪和正则化的对抗性自编码器方法，用于学习用于推理的有用表示，并通过实验验证其对于分类性能和样本合成的贡献。

    Mar, 2017

  • 远感场景下基于监督变分自编码器的标签噪声鲁棒图像表示学习

    本文提出了一种标签噪声鲁棒的遥感图像学习方法，使用监督式变分自编码器结合深度神经网络，通过图像特征定义训练样本的重要性来防止嘈杂标签对遥感图像表示学习 (IRL) 的干扰。

    Jun, 2023

  • 使用变分自动编码器进行无监督异常定位

    提出了一种基于深度学习和变分自动编码器的医学图像寻找异常度量的解决方案，其中尤其强调了基于 Kullback-Leibler (KL) 分歧的异常定位算法，实验证明它具有比现有方法更好的性能。

    Jul, 2019

  • 使用无监督深度学习进行早期视觉概念学习

    本文提出了一种基于无监督学习、从神经科学中获得灵感的方法，利用变分自编码器对图像数据进行学习，从而获得解耦表示。该方法可以使神经科学的研究成果得以应用到实际中，同时还有零样本推理和直观理解的优点。

    Jun, 2016