Mar, 2024

感知自供训练网络用于噪声图像水印去除

PDF
TL;DR本文提出了一种用于嘈杂图像水印移除的感知自监督学习网络 (PSLNet)，它基于并行网络来去除噪音和水印，在结构信息和像素增强方面改善图像水印移除效果，通过综合实验验证了该方法在与卷积神经网络 (CNNs) 相比的嘈杂图像水印移除方面的高效性。
watermark removaldegradation modelself-supervised learningnoisy imageconvolutional neural networks (cnns)
发现论文，激发创造
  • 一种用于图像水印去除的自监督卷积神经网络

    本研究提出了一种自监督卷积神经网络（SWCNN）用于图像水印去除，通过构建参考水印图像来提高算法的鲁棒性和视觉效果，实验证明该方法在图像水印去除方面优于常用的卷积神经网络。

    Mar, 2024

  • 分离与细化：用堆叠式注意力引导的 ResUNets 移除盲目单张图像可见水印

    使用多通道注意力与多感知损失的多任务网络，通过两个阶段的过程，提出了一个架构鲁棒性更强且盲目去除可见数字水印的算法，该算法在四个不同数据集下比其他方法表现更突出。

    Dec, 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

  • WDNet: 用于可见水印去除的水印分解网络

    该研究提出了一种名为 Watermark-Decomposition Network（WDNet）的二阶段生成器，旨在分离图片中的水印，而不仅仅是简单地删除它们，并通过构建一个命名为 CLWD 的大规模数据集来显示 WDNet 在可见水印识别和去除性能上的优越性

    Dec, 2020

  • 基于条件生成对抗网络的逼真可见水印去除

    本文提出了一种基于条件生成式对抗网络的水印去除框架，该方法在大规模可见水印数据集上经过广泛实验验证，相对于现有技术，能够更加真实逼近照片级别的效果。

    May, 2019

  • 从噪音中挑选水印（PWFN）：一种针对强度扭曲的改进鲁棒性水印模型

    本文提出了一种改进的数字水印算法，通过在噪声层和解码器之间引入去噪模块来增强该模型对于更强噪声的鲁棒性，同时引入 SE 模块以提高编码器的效率。实验结果表明该方法在不同噪声强度下可以媲美现有模型并且胜过同类型算法，消融实验进一步验证了我们提出的模块的优越性。

    May, 2024

  • 深度图像去噪的无配对学习

    本文提出了一个两阶段框架，通过结合自监督学习和知识蒸馏的方法来促进无配对洗涤网络的学习，该方法在合成和真实噪声图像的定量和定性评估方面表现良好。

    Aug, 2020

  • 通过下采样不变性损失和条件盲点网络的自监督图像去噪

    提出了一种基于盲点网络（blind-spot networks）的有条件盲点网络（C-BSN），采用随机子采样器进行空间去相关降噪，并在实际数据集上实现了最先进的性能。

    Apr, 2023

  • 面向真实世界图像去噪的自适应自监督学习

    本研究提出一种新的思路来解决现实世界 sRGB 图像去噪中空间相关噪声的问题，其通过分别考虑噪声图像中平滑区域和纹理区域的特性，并构建相应的监督来训练模型，最终得到了更好的去噪效果。

    Mar, 2023

  • 高质量自监督深度图像去噪

    利用一种新颖的训练方法，基于有噪声图像的非组织集合来培训高质量的图像去噪模型，通过采用具有感受野盲区的网络来消除对参考数据的需要，提高了图像质量和训练效率，最终结果质量与最先进的神经网络去噪器相当。

    Jan, 2019