Oct, 2023

PUCA：升级的自监督图像去噪中的补丁重排和通道注意力

PDF
TL;DR提出了 PUCA，一种新的 J - 不变 U-Net 架构，用于自监督降噪，通过利用 patch-unshuffle/shuffle 大幅扩展接受域同时保持 J - 不变性和采用扩张注意力块 (DABs) 来进行全局上下文融合，实验证明 PUCA 在自监督图像降噪方面表现出色，优于现有方法。
发现论文，激发创造
  • 通过下采样不变性损失和条件盲点网络的自监督图像去噪

    提出了一种基于盲点网络（blind-spot networks）的有条件盲点网络（C-BSN），采用随机子采样器进行空间去相关降噪，并在实际数据集上实现了最先进的性能。

    Apr, 2023

  • AP-BSN: 基于非对称 PD 和盲区网络的自监督去噪技术，适用于现实世界图像

    提出了一个全新的 自监督盲点网络（BSN）方法， Asymmetric PD (BSN) 可以更好地应对现实中空间相关的噪声，并且不使用任何外部噪声参数就能在自监督的情况下实现对现实世界的真实图像进行去噪处理，达到了当前最优的去噪效果。

    Mar, 2022

  • 深度图像去噪的无配对学习

    本文提出了一个两阶段框架，通过结合自监督学习和知识蒸馏的方法来促进无配对洗涤网络的学习，该方法在合成和真实噪声图像的定量和定性评估方面表现良好。

    Aug, 2020

  • SS-BSN: 自监督盲点关注网络，用于非局部自相似去噪

    本文提出一种新颖的自我相似注意力机制（SS-Attention），并将其集成到基于自我相似的盲点网络（SS-BSN）中，在自我监督图像去噪任务中通过实验证明，在智能手机图像去噪数据集（SIDD）和达姆斯塔特噪声数据集（DND）基准数据集上，该方法在定量和定性方面均优于现有的先进方法。

    May, 2023

  • 从受损图像学习自监督去噪技术：噪声即干净

    本文提出了一种用于培训自我监督去噪网络的新策略，即 “Noisy-As-Clean”(NAC) 策略，该策略可绕过训练和测试图像之间存在的领域差距问题，并展示了该策略能够达到比原始网络更好的去噪性能。

    Jun, 2019

  • LG-BPN: 面向自监督实际降噪的局部和全局盲斑网络

    该论文提出了一种名为 LG-BPN 的新方法，通过在网络设计中考虑局部细节恢复的空间相关统计，并将全局依赖性建模能力引入之前基于 CNN 的 BSN 方法，能够全面利用盲方法中的详细结构和全局交互。

    Apr, 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

  • 无监督图像转换和不确定性量化，使用不变性网络

    本文提出了一种不需要配对训练数据的单向域映射方法，使用 GAN 架构和基于补丁不变性的新型生成器损失来实现适当的图像转换，并通过皮片残差建立了一个输入相关的比例图来准确预测不确定性。通过在三个医学数据集上全面评估，相较于四种最先进方法，我们观察到更高的准确性，表明该方法用于无教师图像转换具有很大的潜力。

    Jul, 2022

  • 基于 Swin-Conv-UNet 和数据合成实现的实用式盲去噪

    本文旨在从网络架构设计和训练数据合成的角度解决当前真实图像去噪的问题，提出了一种新的网络架构设计和噪声退化模型，分别插入到 UNet 框架中从而达到当前最先进的性能水平。

    Mar, 2022

  • SwinIA: 自监督盲点图像去噪技术 - 零卷积

    本文提出了一种基于 Swin Transformer 的 Image Autoencoder（SwinIA），用于自监督图像去噪，无需像素掩蔽，不需要任何关于噪声分布的先验知识，可以用简单的均方误差损失进行端到端训练，且在多个常见基准测试中均取得了最先进的性能。

    May, 2023