直接无监督去噪
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。
Oct, 2023
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
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
为了解决深度神经网络在面对训练数据分布不同的测试数据时可能会出现的不可靠预测问题,我们提出基于贝叶斯变分自编码器模型的概率无监督方法,以此来检测输入空间和模型潜在空间中的群集分布异常。
Dec, 2019
介绍了 Multi-Adversarial Variational autoEncoder Networks (MAVENs) 网络结构,它是 VAE-GAN 网络的一个创新应用,在人工合成图像方面有很好的表现。
Jun, 2019
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
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
本文提出一种基于 Stein's unbiased risk estimator(SURE)的方法,从含有高斯噪声的图像数据中训练深度学习去噪网络,在没有无噪声图像的情况下使用 SURE 方法,使得网络的性能接近于使用有噪声图像的有监督学习方法,同时使用 SURE 方法进行快速后处理可以进一步提高性能。
Mar, 2018
本文介绍了一种新的变分推断方法 - Variational Denoising Network(VDN),该方法将噪声估计和图像去噪综合到一个贝叶斯框架中。使用由深度神经网络参数化的近似后验条件于输入的图像和噪声方差的潜变量,提供具有显式参数形式的后验分布,可用于自动噪声估计的盲图像去噪。VDN 既具有传统模型驱动方法的优点,也具有数据驱动深度学习方法的效率、灵活性和可解释性,且能够在真实场景下估计并消除复杂的非 i.i.d 噪声。综合实验结果表明,该方法在盲图像去噪方面具有优越性。
Aug, 2019
该研究提出了一种基于参数化量子神经网络的无监督学习方法,名为变分降噪,用于改善含有噪声的 Variational Quantum Eigensolver(VQE)模型的输出结果,在 H2 和 LiH 分子哈密顿量的能量估计和保真度方面比噪声输入数据具有更高的准确性和有效性,并且可以将变分降噪集成到量子硬件中,提高了量子硬件的多样性和端到端的量子处理能力。
Apr, 2023