基于物理引导的降噪神经代理方法用于低光原始图像去噪
本文研究了 CMOS 图像传感器成像管线中的噪声统计,并制定了一种全面的噪声模型,以准确地表征真实的噪声结构。该模型可用于合成用于学习低光照度去噪算法的真实训练数据,并在多个低光照度去噪数据集上进行的实验表明,使用我们提出的噪声形成模型训练的深度神经网络可以达到惊人的高准确度。
Aug, 2021
通过增加数据容量和降低噪声复杂度的方式,我们提出了一个可学性增强策略来提高低光下图像去噪的性能,该策略包括射击噪声增强(SNA)和黑暗遮蔽校正(DSC)两种高效技术,并在公共数据集和实际成像场景中取得了最先进的性能。
Jul, 2022
提出一种基于 CMOS 光电传感器特性的高精度噪声形成模型,并基于此模型提出了一种用于校准现有数码相机噪声参数的简单复制方法。此模型使神经网络具备了使用丰富真实数据进行训练的能力,并应用于覆盖多个品牌数码相机的新低光噪声数据集中,获得了显著的降噪效果。
Mar, 2020
本研究提出了一种基于噪声感知的物理信息机器学习框架以及基于离散傅里叶变换的去噪物理信息神经网络,用于通过数据发现物理系统的偏微分方程, 并在五个标准偏微分方程上进行实验证明了该方法的鲁棒性和可解释性。
Jun, 2022
通过使用生成模型来综合信号独立噪声,该方法可以同时学习不同 ISO 级别的噪声特性,并在各种传感器上进行泛化,通过傅里叶变换鉴别器准确区分噪声分布,验证结果显示该模型产生的噪声分布与实际噪声非常相似,对不同传感器进行去噪实验显示该方法在各个方面优于现有技术。
Jul, 2023
本文介绍了通过直接从传感器的真实噪声中采样来合成噪声的新视角,并提出了两种有效的技术:基于模式对齐的图像块采样和高位重建来精确合成空间相关噪声和高位噪声。对 SIDD 和 ELD 数据集进行了系统实验,结果表明,该方法表现优于现有方法,对不同传感器和光照条件具有广泛的推广性,且 DNN-based 噪声建模方法不能胜过基于物理统计方法。
Oct, 2021
该论文提出了一个框架,通过仅依赖噪声图像对而不是噪声 / 清洁图像对,同时训练噪声模型和降噪器,应用于 Noise Flow 架构的训练。结果表明,该框架在噪声合成和密度估计方面优于先前的基于信号处理的噪声模型,并且与其受监督的对手相当,训练的降噪器也被证明显着改进了监督和无监督基线降噪方法,这表明降噪器和噪声模型的联合训练可以显著提高降噪器的性能。
Jun, 2022
在这篇文章中,我们提出了一个统一的框架来构建用于高斯降噪任务的近端神经网络(PNNs),该框架基于双重 - 投影算法和原 - 对偶 Chambolle-Pock 算法。我们还展示了这些算法的加速惯性版本如何在关联的神经网络层中实现跳跃连接。我们为 PNN 框架提供了不同的学习策略,并研究了它们的鲁棒性(利普希茨性质)和降噪效率。最后,我们评估了将我们的 PNNs 插入图像去模糊问题的前向 - 后向算法时的鲁棒性。
Aug, 2023
本文介绍了使用卷积神经网络和 Poisson 分布进行图像去噪的方法,通过特定峰值的图片训练网络可以显著提高图像去噪效果,并且此方法灵活、数据驱动,速度更快。同时,结合图像先验信息,处理同类别图片可以进一步提高性能表现。
Jan, 2017
本研究提出了一种名为 Probabilistic Noise2Void 的卷积神经网络训练方法,可用于单一噪声图像的去噪。通过与噪声的合适描述相结合,可以得到每个像素的噪声观测和真实信号的完整概率模型。在各种噪声情况下评估了该方法,应用于公开的显微镜数据集,其表现和有监督的现有方法相当。
Jun, 2019