Dec, 2023

NM-FlowGAN: 基于正则化流和生成对抗网络的混合方法建模 sRGB 噪声

PDF
TL;DR采用数据驱动的生成模型，NM-FlowGAN 通过同时使用基于正则化流的像素级噪声建模网络和基于生成对抗网络的空间相关建模网络，优于其他基准模型，实现了对 sRGB 噪声的更准确建模和合成。
srgb noisedata-driven generative modelsnm-flowganpixel-wise noise modelingspatial correlation modeling
发现论文，激发创造
  • 基于归一化流的 sRGB 相机噪点建模

    提出了一种基于归一化流的 sRGB 域噪声模型，能够学习不同 ISO 级别下 sRGB 图像中的复杂噪声分布，相比其他模型在噪声建模和合成任务中表现出了较大的优势，并且表明使用该模型合成噪声图像进行训练的图像去噪器优于使用基线模型去噪训练的去噪器。

    Jun, 2022

  • 噪声流：带条件的标准化流噪声建模

    介绍了基于 normalizing flow 的强大而精确的噪声模型 Noise Flow，结合了基本参数噪声模型和神经网络的灵活性和表现力。与已有的噪声模型相比，Noise Flow 具有显著的改进，是第一次试图超越简单的参数模型，利用深度学习和数据驱动的噪声分布来建模和综合图像噪声。

    Aug, 2019

  • 扩散正规流

    本文介绍了基于随机微分方程的扩散归一化流生成建模新方法 —— 扩散归一化流算法。该算法使用两个神经 SDE：一个前向 SDE 和一个后向 SDE，通过联合训练两个神经 SDE，将后向 SDE 收敛于一种扩散过程，从而具备更好的高维数据密度估计和图像生成性能。

    Oct, 2021

  • 利用正则化流进行低光照图像增强

    本文提出利用正则流模型建立低光图像与正常曝光图像之间的一对多映射关系，通过一个可逆网络，将低光图像 / 特征作为条件，学习将正常曝光图像的分布映射到高斯分布，从而得以更好地建模正常曝光图像的条件分布，在提高图像亮度、减少噪声和伪影、增强色彩方面表现出更好的定量和定性结果。

    Sep, 2021

  • 使用归一化流进行半监督学习

    FlowGMM 是一种基于正则化流的端到端方法，用于生成半监督学习，具有可解释性，适用于广泛的数据类型，包括文本数据、表格数据和半监督图像分类，并能够发现可解释的结构、提供实时的无优化特征可视化等。

    Dec, 2019

  • 无需清洗图像的逼真相机噪声建模 - Noise2NoiseFlow

    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

  • FG-NeRF: 基于 Flow-GAN 的概率性神经辐射场用于独立假设无关的不确定性估计

    利用 Flow-GAN 提出了一种无独立性假设的概率神经辐射场模型，通过结合对抗学习的生成能力和正则化流的强大表达能力，显式地建模整个场景的密度 - 辐射分布，实现了最先进的性能，并在合成和真实数据集上预测更低的渲染误差和更可靠的不确定性。

    Sep, 2023

  • 通过相机管道模拟生成去噪实际 RGB 图像训练数据

    本文研究基于真实噪声模型的图像降噪方法，在相机管道中模拟真实的图像噪声和降噪，发现噪声模型对学习模型效果的提升有重要作用，通过模拟降噪和图片拼合进而提高噪声模型的真实度和效果。

    Apr, 2019

  • 图形规范化流

    本文提出了一种新型、基于图的生成模型 —— 图可逆正则流，并尝试将其应用于监督学习和非监督学习任务中，与其他自回归模型相比表现良好且更适合于并行计算架构。

    May, 2019

  • 维度通用的正则化流

    本研究介绍了一种名为 NIF 的流行有噪声映射模型，可以通过注入变换学习数据流形的降维表示，有效提高了样品质量和数据嵌入的可分性。

    Jun, 2020