May, 2024

探索自监督图像去噪与变性

PDF
TL;DR本文通过理论分析和数值实验深入分析了使用变性数据的自监督降噪算法，讨论了该算法在优化问题的种群风险上找到期望解的同时，经验风险的保证则取决于变性水平对降噪任务的难度。实验结果表明，使用变性图像进行训练的算法起作用，并且经验性能与理论结果相一致，为今后使用变性数据进行自监督图像降噪的进一步改进提供了一些见解。
self-supervised learningimage denoisingdenatured datatheoretical analysisnumerical experiments
发现论文，激发创造
  • 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

  • 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

  • 自然语言理解中的即时数据增强去噪

    本文介绍了一种基于原始数据集更清洁的假设，利用有机教师模型提供的软增强标签进行学习的数据增强即时去噪方法，并应用简单的自正则化模块来防止在噪声标签上过拟合，该方法可应用于各种数据扩充技术，可以在文本分类和问答任务中提高性能。

    Dec, 2022

  • 多视角自监督解缠结通用图像降噪

    通过多角度自监督解缠方法 (MeD)，本文在合成噪声和真实噪声的实验分析中展现了该方法在未见过的新噪声类型上相对于之前的自监督方法的卓越性能。在真实噪声上，该方法的性能甚至超过了其监督对照组超过 3 dB。

    Sep, 2023

  • IDR: 迭代数据精化的自监督图像去噪

    该论文提出了一种实用的无监督图像去噪方法，其只需要单个有噪声的图象和噪声模型，通过迭代的方式训练模型来实现去噪，得到了目前最先进的去噪效果，并构建了高质量的原始图像数据集 SenseNoise-500，以作为更好评估原始图像去噪性能的强大基准。

    Nov, 2021

  • 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

  • 关于监督和无监督去噪方法的标准化等变性特性研究

    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。

    Feb, 2024

  • 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

  • 用去噪自编码器进行无监督自然语言生成

    使用去噪自编码器对有噪声的结构化数据进行训练，能够在自然语言生成的任务上取得比监督学习更高的性能表现。

    Apr, 2018

  • 自监督泊松 - 高斯去噪

    本文提出了一种改进的自监督去噪模型，该模型可以处理 Poisson-Gaussian 噪声，并且避免使用超参数，在低光显微镜等某些应用领域中取得了较好的性能表现，评估结果表明该模型优于其他基准模型。

    Feb, 2020