ICLRMar, 2024

CRISM 高光谱数据的噪声 2 噪声去噪

PDF
TL;DR引入一种名为 Noise2Noise4Mars（N2N4M）的新型数据驱动模型架构，用于去除 CRISM 图像的噪声，该模型是自监督学习的，不需要无噪声目标数据，适用于行星科学应用中稀缺高质量标记数据的情况。展示了该模型在合成噪声数据和 CRISM 图像上的强效性能以及对下游分类性能的影响，表现优于大多数基准方法，从而可对火星表面的关键兴趣点进行详细分析，包括提议的着陆地点。
发现论文，激发创造
  • 自然图像噪声数据集

    本研究介绍了自然图像噪声数据集（NIND），用于训练盲目去噪模型，此数据集包括具有不同 ISO 噪声水平的 DSLR 式图像。我们展示了使用 NIND 训练的去噪模型，其在 ISO 噪声上显着优于 BM3D，即使推广到来自不同类型的相机的图像也是如此。这个数据集是开放的，可以进行整理和贡献，并可用于未来的图像去噪应用。

    Jun, 2019

  • 深度学习消除天问 - 1 号图像中的大规模沙尘暴

    本文提出了一种利用地球成像除雾知识解决火星上除尘问题的方法，该方法采用天问一号遥感图像，通过手动选择数量众多的清洁和含尘图像，通过训练神经网络，成功地消除了火星上尘暴对图像质量的影响，并提高了其地貌和地形数据的精度。

    Jun, 2022

  • 从单张噪声图像中学习去噪

    介绍了一种名为 Noise2Void (N2V) 的图像降噪训练方案，可以不需要嘈杂和干净的图像对，而是直接使用被降噪的数据进 行训练，特别适用于生物医学图像数据。与具有噪声图像对和 / 或干净目标图像的方式相比，N2V 的降噪效果较为相当。

    Nov, 2018

  • 基于自调节卷积神经网络的高光谱图像去噪

    提出了一种自调制卷积神经网络（SM-CNN）用于高光谱图像去噪，通过利用相关的光谱和空间信息，该网络能够根据相邻的光谱数据自适应地转换特征，提高处理复杂噪声的能力，实验证明在合成和真实数据上，SM-CNN 在公共基准数据集上在定量和定性上均优于其他最先进的高光谱图像去噪方法。

    Sep, 2023

  • DAS-N2N: 无需干净数据的机器学习分布式声学传感（DAS）信号去噪

    本研究提出了一种弱监督的机器学习方法 DAS-N2N，用于抑制分布式声学传感（DAS）记录中的强随机噪声，该方法无需手动标记和先验知识训练，仅使用两个 DAS 通道的噪声数据进行深度学习，可以实现高效地噪声去除和提高观测信号质量。在南极洲 Rutford 冰流部署的 DAS 数据集上的研究表明本方法优于传统滤波方法和其他自监督的学习方法，对于同步征震监测具有重要的应用价值。

    Apr, 2023

  • 使用真实照片进行去噪算法基准测试

    本文提出了一种针对真人照片的图像去噪方法，并捕捉了一组包含真实噪声的消费级相机图像数据集，即 Darmstadt Noise Dataset，通过实验证明，近期的一些表现优异的方法在真实噪声情况下被 BM3D 明显地击败。

    Jul, 2017

  • 高分辨率电子显微镜的零样本图像去噪

    提出了 Noise2SR，一个用于高分辨率电子显微镜图像去噪的零样本自监督学习（ZS-SSL）框架，通过超分辨率自监督训练策略和随机子抽样模块，提高了去噪性能，可用于材料成像领域中图像信噪比的改进。

    Jun, 2024

  • 利用统计和深度学习模型结合多光谱数据，提高高对比度直接成像中外行星的检测

    该研究基于卷积神经网络，结合空间，时间和光谱特征，利用多次观测的图像数据中残留信号检测方法，有效提高了外行星探测的精度和召回率。

    Jun, 2023

  • 用于 NetsDB 的 Transformer 架构

    通过使用在 Resnet-50 上进行精调的 Dust Image Classifier，自动过滤受大气尘埃阻挡的图片，并设计一个预测管道来分类和储存这些有尘印的照片。此外，还使用基于 Auto Encoder 的降噪器和 Pix2Pix GAN（SSIM 指数分别为 0.75 和 0.99）对部分受阻图片进行去噪。

    May, 2024

  • RENOIR - 用于真实低光图像降噪的数据集

    该论文介绍了一个包含自然噪声的彩色图像数据集，并提出了一种噪声估计方法，然后使用这个数据集对六种去噪算法进行了评估，结果表明 MLP、Bilevel-MRF 和软阈值 NL-means 在这个数据集上超越了 BM3D。

    Sep, 2014