Nov, 2023

回归基础：快速降噪迭代算法

PDF
TL;DRBack to Basics (BTB) 是一种快速迭代算法，可用于噪声降低。该方法在计算上高效，不需要训练或基准数据，并可在存在独立噪声和相关（相干）噪声的情况下应用，噪声水平未知。我们考察了自然图像去噪、泊松分布图像去噪和光学相干层析成像中斑点抑制的三个案例。实验结果表明，该方法可以有效地改善在噪声环境下的图像质量，并提供了收敛稳定性的理论保证。
back to basicsnoise reductioniterative algorithmimage denoisingcoherence tomography
发现论文，激发创造
  • 使用真实照片进行去噪算法基准测试

    本文提出了一种针对真人照片的图像去噪方法，并捕捉了一组包含真实噪声的消费级相机图像数据集，即 Darmstadt Noise Dataset，通过实验证明，近期的一些表现优异的方法在真实噪声情况下被 BM3D 明显地击败。

    Jul, 2017

  • 有针对性数据库的自适应图像去噪

    提出了一种数据依赖性去噪过程以还原图像。该算法从仅包含相关补丁的数据库中查找补丁，将去噪问题制定为最优滤波器设计问题，并通过解决组稀疏最小化问题确定去噪滤波器的基函数。通过考虑本地贝叶斯先验确定去噪滤波器的谱系数，将该算法与现有算法相比，在文本图像，多视图图像和面部图像等各种场景下表现出了优越性。

    Jun, 2014

  • NoiseBreaker: 噪声分析引导下的逐渐图像去噪

    本文提出了一种渐进式去噪策略，通过逐步检测图片中占主导地位的噪声，并使用定制的去噪器将其去除，从而适应复杂的混合噪声，并通过噪声分析，不仅有效地指导去噪器选择对应噪声类型，而且还使得已有去噪器可以适应新的噪声类型，从而扩展了去噪器的适用范围。

    Feb, 2020

  • IDR: 迭代数据精化的自监督图像去噪

    该论文提出了一种实用的无监督图像去噪方法，其只需要单个有噪声的图象和噪声模型，通过迭代的方式训练模型来实现去噪，得到了目前最先进的去噪效果，并构建了高质量的原始图像数据集 SenseNoise-500，以作为更好评估原始图像去噪性能的强大基准。

    Nov, 2021

  • SIMBA：使用深度去噪先验的光学层析成像中的可扩展反演

    本文提出并实验验证了一种新颖的可扩展的迭代小批量算法 (SIMBA)，它通过结合成像系统物理的前向模型和去噪深度神经网络的成像先验来实现高质量的光学断层成像，并能够轻松地扩展到大的三维成像数据集

    Nov, 2019

  • NBNet: 基于噪声基学习和子空间投影的图像去噪

    本文介绍了 NBNet，这是一种新的图像去噪框架，该框架使用图像自适应的投影来减少噪声，并且通过学习一组特征空间中的重构基来区分训练网络，进而使用相应的信号子空间基和投影进行图像去噪和降噪。我们提出的 SSA 非局部子空间注意力模块也得到了验证，并与 UNet 结构的 NBNet 融合，该模型在 SIDD 和 DND 等基准测试上取得了良好的性能。

    Dec, 2020

  • 迭代去噪和背向投影图像恢复

    本研究提出了一种利用现成去噪器方法解决反问题的替代方法，该方法需要较少的参数调整，通过自动调整参数，可以应对图像去模糊和修复等任务，并与任务特定技术和 Plug-and-Play 方法竞争性的理论分析和实证研究表明了该方法的有效性。

    Oct, 2017

  • 图像去噪的非局部参数方法统一框架

    我们提出了一种统一的非局部方法的观点，用于单图像去噪，其中 BM3D 是最流行的代表，根据它们的相似性将噪声补丁收集在一起以进行协同处理。我们的一般估计框架基于二次风险的最小化，在两个步骤中近似，并适应光子和电子噪声。在第一步中依靠无偏风险估计（URE），在第二步中依靠从深度学习理论中借鉴的 “内部适应” 概念，我们展示了我们的方法能够重新解释和融合先前的最先进的非局部方法。在这个框架内，我们提出了一种名为 NL-Ridge 的新型去噪算法，它利用了补丁的线性组合。虽然在概念上更简单，但我们展示了 NL-Ridge 可以胜过成熟的最先进的单图像去噪算法。

    Feb, 2024

  • 动态双输出扩散模型

    在这篇文章中，我们发现了扩散模型生成质量受到迭代次数限制的根本原因，并提出了一个简单而有效的解决方案来缓解这些影响。我们的解决方案可以应用于任何现有的扩散模型，并且在各种 SOTA 体系结构上运行多个数据集和配置进行实验和详尽的消融研究，证明能够立即提高它们的生成质量。

    Mar, 2022

  • 现实世界噪声图像去噪：一个新基准

    通过构建一个包含具有综合性的不同自然场景下的真实噪声图像的新基准数据集，并在其上评估了各种图像去噪方法（包括之前的数据集），证明近期针对稀疏或低秩理论设计的方法实现了更好的去噪效果，更为稳健，并且新提出的数据集更具挑战性。该数据集现已公开，供研究人员研究新的现实世界图像去噪方法。

    Apr, 2018