Jul, 2024

自监督真实图像降噪的非对称掩码方案

HTML
PDF
TL;DR近年来，自监督降噪方法在图像修复领域取得重大成功并变得至关重要。其中，基于盲点网络的方法是最典型的类型，吸引了许多研究者的关注。为了解决盲点操作对网络设计中感受野的严格要求，限制整体性能的问题，我们提出了一种用于自监督降噪训练的单一掩码方案，消除了盲点操作的需求，从而消除了对网络结构设计的约束。此外，为了在推理过程中实现对整个图像的降噪，我们提出了多掩码方案。我们的方法在现有真实噪声图像数据集上实现了最先进的性能。所有源代码将向公众开放。
发现论文，激发创造
  • 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

  • Blind2Unblind: 自监督图像去噪与可见盲点

    该论文提出了一个名为Blind2Unblind的简单而有效的方法来克服盲点驱动去噪方法中的信息丢失问题，该方法采用全局感知掩模映射器和可重视损失来提高性能，实验表明该方法在合成和真实世界数据集上优于以前的工作。

    Mar, 2022

  • AP-BSN:基于非对称 PD 和盲区网络的自监督去噪技术，适用于现实世界图像

    提出了一个全新的 自监督盲点网络（BSN）方法， Asymmetric PD(BSN) 可以更好地应对现实中空间相关的噪声，并且不使用任何外部噪声参数就能在自监督的情况下实现对现实世界的真实图像进行去噪处理，达到了当前最优的去噪效果。

    Mar, 2022

  • LG-BPN: 面向自监督实际降噪的局部和全局盲斑网络

    该论文提出了一种名为LG-BPN的新方法，通过在网络设计中考虑局部细节恢复的空间相关统计，并将全局依赖性建模能力引入之前基于CNN的BSN方法，能够全面利用盲方法中的详细结构和全局交互。

    Apr, 2023

  • 基于暗斑网络的多掩蔽实时自监督图像去噪技术

    本文提出一种利用多种掩码策略和BSN相结合的多掩膜策略（MM-BSN）来解决大噪声去噪问题的自监督图像去噪方法，实验结果表明该方法在sRGB图像去噪方面表现出良好的性能并且是目前自监督和非配对图像去噪方法中表现最好的。

    Apr, 2023

  • 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

  • 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

  • 用于自监督真实图像降噪的随机子样本生成

    基于随机子采样生成的采样差异作为扰动的自我监督实图像降噪框架（SDAP）在真实世界数据集上显著优于其他最先进的自我监督降噪方法。

    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

  • TBSN: 基于Transformer的自监督图像降噪的盲点网络

    本文提出了基于transformer的盲点网络（TBSN），通过分析和重新设计满足盲点要求的transformer操作符，扩展了其感受野，实现了有利于自监督图像去噪（SSID）任务处理的效果，并引入知识蒸馏策略提高计算效率。

    Apr, 2024