Mar, 2024

强大的有损压缩技术对于噪声图像

PDF
TL;DR我们提出的信噪比感知联合解决方案利用局部和非局部特征对图像压缩和去噪进行同时处理，通过设计一个端到端可训练的网络，它包括主编码器分支、引导分支和信噪比感知分支，我们在合成和真实数据集上进行了广泛实验，证明我们的联合解决方案优于现有的最先进方法。
image compressiondenoisingsequential methodjoint methodsignal-to-noise ratio (snr)
发现论文，激发创造
  • 通过降噪的联合学习优化图像压缩

    针对智能手机拍摄图像噪点问题，提出一种噪点感知的联合去噪与压缩图像算法，通过消除噪点并将其转换为无噪点位，以解决压缩图像时出现的误差位分配问题，实现了一个简单高效的两分支共享权重架构，并在合成和实际的数据集上获得了显著的性能提升。

    Jul, 2022

  • 联合端到端图像压缩和去噪：利用对比学习和多尺度自注意机制

    本文提出了一种集成多尺度去噪器的新方法，用于联合图像压缩和去噪。通过强调噪声与干净图像之间的相关性，采用对比学习的方式来提高网络区分噪声与高频信号的能力，实验证明该方法在失真性能和编解码速度方面优于当前的最新技术水平。

    Feb, 2024

  • 联合优化图像压缩与低光图像增强

    为了在低光图像中同时实现更高的压缩率和更好的增强性能，我们提出了一个新的图像压缩框架，并对低光图像增强进行联合优化。实验结果表明，我们提出的联合优化框架相对于现有的 “压缩后增强” 或 “增强后压缩” 顺序解决方案，在低光图像中实现了显着的改进。

    May, 2023

  • 端到端优化的图像压缩

    描述一种图像压缩方法，其由非线性分析变换、均匀量化器和非线性合成变换构成，并使用卷积线性滤波器和非线性激活函数的三个连续阶段构建变换，其中联合非线性性选择实现形式的局部增益控制，利用随机梯度下降的变体优化整个模型以实现训练图像数据库的速率失真性能，以及一个连续的代理来引入量化器产生的不连续损失函数，具有比标准 JPEG 和 JPEG2000 压缩方法更好的速率失真性能，并且在所有位率下对所有图像的视觉质量均有显著提高。

    Nov, 2016

  • 基于序列分解的联合增强和降噪方法

    本文提出了一种联合的低光增强和去噪策略，通过 Retinex 模型基于分解进行顺序处理，对每个组件强制施加空间平滑性，巧妙地利用权重矩阵来抑制噪声和提高对比度，实现了对低光图像的有效增强和去噪。

    Apr, 2018

  • 一种端到端的图像压缩和质量增强联合学习方案，带有改进的熵最小化

    本文提出了一种新的联合学习模式的图像压缩和质量增强方案 ——JointIQ-Net，通过采用高斯混合模型进行极小化熵模型改进，并进一步利用全局上下文估计潜在表示的概率，实现了编码效率的极大提升，达到了比传统编解码器和以往学习图像压缩方法更好的压缩效果。

    Dec, 2019

  • 通过顺序去噪处理压缩图像

    本文提出了一种新的压缩伪影降低的后处理技术，该方法利用图像去噪算法作为正则化项，通过 ADMM 求解广义逆问题，进而获得高质量的压缩图像。该方法适用于各种基于变换编码的压缩技术，如 JPEG，JPEG2000 和 HEVC 等。

    Oct, 2015

  • 双重对抗网络：朝着现实世界的噪声去除与噪声产生

    本研究提出了一个新的统一框架，旨在同时处理噪声消除和噪声生成任务，学习清洁 - 噪声图像对的联合分布，通过生成器映射干净图像到噪声图像和去噪器映射噪声图像到干净图像以逼近联合分布。本文还提出了两个衡量生成的噪声图像质量的指标，并在实验中证明了该方法在真实噪声消除和生成任务中的优越性。

    Jul, 2020

  • 学习压缩图像时去噪的重要性

    本文提出在训练编解码器时明确地学习图像去噪任务，通过监督编解码器的噪声 - 干净图像对，得出训练多种噪声水平图像组成的混合模型效果最佳，能在压缩、去噪任务中优于一组去噪 - 压缩模型。

    Jul, 2023

  • 基于单图像的无监督联合分割和降噪

    我们开发了一种无监督的方法，用于单幅图像的联合分割和去噪。我们结合了变分分割方法的优势和自监督单幅图像的深度学习方法的能力。我们的方法的一个主要优点在于，与需要大量标记样本的数据驱动方法相比，我们的模型可以将图像分割为多个有意义的区域，而无需任何训练数据库。此外，我们引入了一种新的能量函数，其中去噪和分割被耦合在一起，使得两个任务相互受益。我们提出了一种统一的优化策略，并展示了在显微镜中可用的非常嘈杂的图像方面，我们提出的联合方法在性能上优于其顺序对应物以及纯粹针对去噪或分割的替代方法。我们还与设计用于相同应用的监督深度学习方法进行了比较，突出了我们方法的良好性能。

    Sep, 2023