图像去噪的两阶段渐进式残差稠密注意力网络

Jan, 2024

图像去噪的两阶段渐进式残差稠密注意力网络

Two-stage Progressive Residual Dense Attention Network for Image Denoising

Wencong Wu, An Ge, Guannan Lv, Yuelong Xia, Yungang Zhang...

TL;DR设计了一种新的两阶段渐进残差密集注意力网络（TSP-RDANet）进行图像去噪，通过两个子任务逐步去除噪声，其中使用残差密集注意力模块（RDAM）和混合扩张残差密集注意力模块（HDRDAM）来设计两个基于注意力机制的去噪网络，以增强去噪效果。实验证实，与众多最新方法相比，所提出的 TSP-RDANet 在合成和真实噪声图像去噪方面取得了有利的结果。

Abstract

deep convolutional neural networks (CNNs) for image denoising can effectively exploit rich hierarchical features and have achieved great success. However, many deep CNN-based denoising models equally utilize the

deep convolutional neural networks image denoising two-stage progressive residual dense attention network attention modules noisy image denoising

发现论文，激发创造

图像去噪的双残差注意力网络

本文提出了一种基于 Dual-branch Residual Attention Network（DRANet）的图像降噪方法，通过增宽网络结构和注意力机制获得更好的去噪效果。实验证明，相比于其他已有的方法，该方法能够更好地处理合成和真实场景下的噪声。

May, 2023

基于特征注意力机制的真实图像去噪

本文提出一种基于模块化结构及特征关注的单步盲目真实图像去噪网络 (RIDNet)，在三个合成噪声和四个真实噪声数据集上通过 19 个最先进的算法的评估，表明 RIDNet 在定量指标和视觉质量上均具有优越性。

Apr, 2019

图像超分辨率残差密集网络

本文提出了一种新型的残差稠密网络 (RDN)，该网络通过引入残差稠密块 (RDB) 来充分利用原始低分辨率图像的层级特征，并通过局部特征融合和全局特征融合来稳定更广泛的网络培训，进而在基准数据集上展示了 RDN 相对于现有最先进的方法所取得的更高性能。

Feb, 2018

图像恢复的残差稠密网络

本文提出了一种新的残差密集网络（RDN），该网络从卷积层中充分利用层级特征，引入残余密集块（RDB）来提取丰富的局部特征，并允许直接连接，通过局部特征融合，以自适应地学习全局的分层特征。用于单张超分辨率、高斯图像去噪、图像压缩伪影去除和图像去模糊等多个任务，RDN 在基准和实际数据集上均取得了优异的性能。

Dec, 2018

TDANet: 一种新颖的带注意力机制的时序去噪卷积神经网络用于故障诊断

提出了一种基于时间去噪卷积神经网络和注意力机制的故障诊断方法，能够在噪声环境中改善故障诊断性能，并通过对 CWRU 数据集和真实飞机传感器故障数据集的评估表明，在噪声环境下，该方法在诊断准确度方面明显优于现有的深度学习方法。

Mar, 2024

DCANet: 注重注意力的双卷积神经网络用于图像盲去噪

本文提出了一种新的基于深度神经网络、采用注意力机制的图像盲去噪方法 ——DCANet，该方法采用了双重 CNN 结构和噪声估计网络，实现了对实际噪声和合成噪声的有效压制。

Apr, 2023

GRDN: 用于真实图像去噪的分组残差密集网络和基于 GAN 的现实世界噪声建模

本研究提出了一种名为 GRDN 的图像降噪卷积神经网络，采用了一个组合残差密集块，并结合一种基于生成对抗网络的现实世界噪声模型。实验证明，采用 GRDN 可以显著提高降噪性能，并在 NTIRE2019 实际图像降噪挑战赛或得了双方面指标的最高分数。

May, 2019

单图像去噪的空间自适应网络

本文提出了一种新颖的空间自适应去噪网络（SADNet），使用卷积神经网络，设计了残差空间自适应块，在采样时引入可变变形卷积以加权样本的空间相关特征，并引入了具有上下文块的编码器 - 解码器结构以捕获多尺度信息，通过从粗到细的噪声去除，可以获得高质量的无噪声图像。在实验结果中，我们的方法在量化和视觉上均优于现有的去噪方法。

Jan, 2020

身份增强的残差图像去噪

提出了一种全卷积网络模型，它由一系列身份映射模块和残差在残差架构组成，用于图像去噪。网络结构具有三个独特的特点，能够显著提高噪声去除任务的准确性和图像质量。

Apr, 2020

图像去噪的扩张深度残差网络

本研究提出了一种采用扩张残差卷积神经网络（CNN），并使用零填充来保持输出和输入维数相同的方法，以 Gaussian 图像去噪为目标，能够在减少计算成本的同时实现与最新的残差去噪器相当的性能，并且在计算可解释性方面也能有所进展。

Aug, 2017