Feb, 2024

关于监督和无监督去噪方法的标准化等变性特性研究

PDF
TL;DR图像去噪是图像处理中最古老且最活跃的研究领域之一。本文提出了一项关于图像去噪的监督学习和无监督学习方法的综述，分类和详细介绍了这一演化过程的主要原则，特别关注最近在监督学习领域的发展。同时，着重考虑了文献中最有效方法的原理和局限性，并突出了许多方法之间的共同特点。最后，我们重点关注大多数监督方法中未能满足的归一化等变特性，即对输入图像进行强度变换或缩放会导致去噪器输出相应地发生变化。
发现论文，激发创造
  • 去噪：从传统方法到深度卷积神经网络

    该论文探讨图像去噪的演变过程，从傅里叶分析和小波基础方法到神经网络，尤其是 U-Net 的出现。神经网络在 2010 年代的研究中展现出卓越的性能，适用于各种图像类型，包括具有固定规律性、人脸图像和卧室场景，以及对几何适应性调和基础有偏好的结果。引入分数扩散在图像生成中起着关键作用，图像去噪在这一背景下变得至关重要，因为它有助于概率密度的估计。我们讨论了真实学习概率密度的先决条件，并提供了从数学研究到通用结构的深入洞察。

    Apr, 2024

  • 释放自监督图像去噪的力量：一份综述

    深度学习为图像去噪技术带来了革命性的转变，本文聚焦于自监督图像去噪方法，对最新的方法进行了全面的分析和分类，并提供了理论分析和实际应用，同时讨论了这些方法的局限性并提出了未来研究的方向。

    Aug, 2023

  • 基于归一化等变性的神经网络及其在图像去噪中的应用

    本文提出了一种方法，通过引入受控亚线性激活函数和逐通道排序池化层来适应现有深度神经网络，从而实现网络的归一化等变性，这些修改不会损失性能，并应用于图像去噪中。

    Jun, 2023

  • 图像去噪方法比较

    本文通过对不同应用的合成和真实世界数据集中的各种去噪方法进行比较，旨在调查现有去噪技术的适用性，并从数量度量、视觉效果、人工评分和计算成本等四个不同角度对其进行评估，我们实验的结果显示，除了 DNN 模型表现出的物体检测和许多关键点检测方面的性能令人印象深刻以外，传统去噪器显示出代表性的有效性和效率以及同样良好的去噪表现，我们也讨论了现有技术的缺点和可能的扩展。

    Apr, 2023

  • 图像去噪中的深度学习：概述

    本文对深度学习在图像去噪中的应用进行了比较研究，区分了不同类型的卷积神经网络的使用场景，比较了不同方法在公共图像去噪数据集上的表现，并指出了未来研究的挑战和方向。

    Dec, 2019

  • 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

  • Self2Self+: 自监督学习与图像质量评估损失的单图像降噪

    利用单一图像进行自监督学习的提出方法利用门控卷积进行特征提取及无参考图像质量评估引导训练过程，采用伯努利采样从输入图像数据集中选择样本进行训练，并通过平均来自训练网络具有中断的各个实例的生成预测来产生相应结果，实验结果表明所提出的方法在合成和真实世界数据集上实现了最先进的去噪性能，突显了该方法作为各种噪声去除任务的有效性和实用性。

    Jul, 2023

  • 直接无监督去噪

    通过训练确定性网络与变分自编码器一起直接预测中心趋势的方法，以在计算成本的一小部分下取得超越无监督方法的结果。

    Oct, 2023

  • 通过自我监督实现的盲去噪

    提出了一种通用框架，用于去噪高维度测量，不需要先验信号、噪声估计和干净数据训练，仅假设噪声在不同维度上具有统计独立性，真实信号呈现某种相关性。

    Jan, 2019

  • 端到端无监督文档图像盲去噪

    本文提出了一种统一的端到端无监督深度学习模型，可以有效地去除多种噪声类型，包括盐和胡椒噪声、模糊和 / 或褪色文本以及水印等，显著提高了扫描图像的质量和多个测试数据集的 OCR 精度。

    May, 2021