Robust non-local means filter for ultrasound image denoising
Hamedan University of Technology（哈马丹技术大学）
提出了一种新的非局部均值图像去噪方法。而不是使用位于搜索窗口中的所有像素来估计像素的值，我们识别出高度损坏的像素，并为这些像素分配较少的权重。这种方法被称为鲁棒非局部均值。超声图像的数值和主观评价表明，与传统的超声图像去噪方法相比，所提出的去噪方法在恢复边缘形状和重要细节成分方面具有良好的性能
2017-09-26 cs.CV
Nonlinear Filter Based Image Denoising Using AMF Approach
Sri Venkateswara College of Engineering, Anna University（安娜大学斯里文卡特斯瓦拉工程学院）
提出了一种基于非线性自适应中值滤波的图像复原新方法。图像去噪是数字图像处理中的一个常用过程，其目的是去除在图像获取或传输过程中可能破坏图像的噪声，同时保持图像的质量。该过程传统上通过滤波在空间域或频域中执行。图像增强的目的是从被污染的图像中重建出真实的图像。图像采集过程经常导致退化，并且数字化图像的质量变得比原始图像差。滤波是一种用于增强图像的技术。线性滤波器是输出像素的值是邻域值的线性组合的滤波，这会在图像中产生模糊。因此，已经开发了各种非线性的平滑技术。中值滤波器是最常用的非线性滤波器之一。当考虑一个小的邻域时，它是非常有效的，但对于大的窗口，在高噪声的情况下，它会导致图像更加模糊。中心加权中值（CWM）滤波器的平均性能优于中值滤波器[8]。然而，在高噪声条件下，原始像素被破坏，降噪效果显著。因此，这种技术也对图像产生模糊影响。为了说明所提出的方法的优越性，克服现有的问题，所提出的新方案（AMF）自适应中值滤波器已被模拟与标准的和各种性能指标进行了比较。
2010-03-09 cs.CV
Image Denoising Using Interquartile Range Filter with Local Averaging
Irbid National University（伊尔比德国立大学）
图像去噪是图像处理的基本问题之一。在本文中，一种新的方法来抑制噪声从图像进行应用的四分位数范围（IQR），这是一种统计方法，用于检测数据集的离群效应。实现大小为kXk的窗口以支持IQR滤波器。在kXk窗口的IQR范围之外的每个像素被视为噪声像素。噪声像素的估计通过局部平均获得。应用IQR滤波器的本质优点是更好地保持原始图像的边缘锐度。用多种测试图像支持本文提出的滤波器，并计算了PSNR，与中值滤波进行了比较。在标准测试图像上的实验结果表明，该滤波器比中值滤波器更简单，性能更好。
2013-02-05 cs.CV
Optimally Stabilized PET Image Denoising Using Trilateral Filtering
National Institutes of Health (NIH)（美国国立卫生研究院）
正电子发射断层扫描（PET）图像中的低分辨率和信号依赖性噪声分布使得去噪过程成为定性和定量图像分析任务之前的一个不可避免的步骤。传统的PET去噪方法要么由于分辨率限制而对小尺寸结构进行过平滑，要么对噪声特性进行错误的假设。因此，临床上重要的定量信息可能被破坏。为了解决这些问题，我们引入了一种新的方法来消除PET图像中的信号相关噪声，其中噪声分布被认为是泊松-高斯混合的。同时，广义Anscombe变换（GAT）被用来稳定PET噪声的变化性质。除了噪声稳定之外，还期望噪声去除滤波器在平滑噪声区域的同时保留结构的边界。实际上，重要的是避免定量信息的显著损失，例如基于标准摄取值（SUV）的度量以及代谢病变体积。为了满足所有这些性质，我们通过多尺度和最佳高斯化过程将双边滤波方法扩展到三边滤波。所提出的方法进行了测试超过50 PET-CT图像从不同的患者有不同的癌症，并取得了优越的性能相比，广泛使用的去噪技术在文献中。
2014-07-11 cs.CV
Chebyshev and Conjugate Gradient Filters for Graph Image Denoising
Mitsubishi Electric Research Labs (MERL)（三菱电机研究实验室）
在3D图像/视频采集中，不同的视图通常被捕获，其中跨视图的噪声水平不同。在本文中，我们提出了一种基于图的图像增强技术，使用更高质量的视图来增强退化的视图。深度图被用作辅助信息以匹配两个视图的视角。我们的方法进行基于图形的噪声图像的过滤，直接计算的图像的投影到一个低维Krylov子空间的图拉普拉斯滤波。我们讨论了两种图谱去噪方法：第一种使用切比雪夫多项式，第二种使用共轭梯度算法的迭代。我们的框架概括了以前已知的多项式图滤波器，我们通过数值模拟表明，我们提出的技术产生主观上更干净的图像，约1-3 dB的改善PSNR比现有的多项式图滤波器。
2015-09-04 cs.CV
Image denoising assessment using anisotropic stack filtering
Instituto de Optica（光学研究所）
在本文中，我们提出了一个衡量的各向异性作为一个质量参数来估计噪声图像中的噪声量。图像的各向异性可以通过方向测量，使用图像中包含的信息的适当统计分布来确定。这个新的措施是通过堆栈过滤范例。首先，我们定义了一个局部方向熵，基于0和1在每个堆栈级别的每个像素位置的邻域中的分布。然后使用该方向熵的熵变化来定义各向异性度量。实证结果表明，该措施可以被视为一个很好的图像噪声指标，这是特别相关的去噪算法的质量评估。该方法已与人工和现实世界的退化图像进行了评估。
2011-06-29 cs.CV
Image denoising based on improved data-driven sparse representation
Third Military Medical University（第三军医大学）
图像在一定变换域下的稀疏表示一直是图像复原的基础。其中一个代表性的方法是广泛使用的小波紧框架系统。与采用固定的滤波器构造紧框架来对任何输入图像进行稀疏建模不同，数据驱动的紧框架被提出用于图像的稀疏表示，并且最近被证明是非常有效的图像去噪。然而，在该方法中，用于构造紧框架的小框架滤波器的数量与滤波器的长度相同。事实上，通过进一步的研究发现，这些滤波器中的一部分是不必要的，甚至有害的恢复效果，由于噪声的影响。因此，提出了一种改进的数据驱动稀疏表示系统，该系统具有更少的滤波器数量。去噪实验的数值结果表明，该算法在恢复质量和计算时间上都优于原始数据驱动的紧帧构造方案。
2016-03-01 cs.CV
Bilateral filters: what they can and cannot do
非线性双边滤波器（BF）实现了计算简单性和无模糊去噪的完美结合。然而，很少有人知道他们的性质，噪声抑制性能，滤波器参数的最佳选择。我们的研究是为了填补这一空白，解释双边过滤的基本机制，并提供最佳过滤器选择的方法。CT图像去噪的实际应用进行了讨论，以说明我们的结果。
2010-07-06 cs.CV
Deep Parametric 3D Filters for Joint Video Denoising and Illumination Enhancement in Video Super Resolution
The Chinese University of Hong Kong（香港中文大学）；SmartMore
尽管最近的方法带来了质量的提高，视频超分辨率（SR）仍然是非常具有挑战性的，特别是对于低光和噪声的视频。目前最好的解决方案是随后采用视频SR、去噪和照明增强的最佳模型，但由于模型之间的不一致性，这样做通常会降低图像质量。本文提出了一种新的参数化表示，称为深度参数化3D滤波器（DP3DF），它结合了局部时空信息，可以在单个编码器和解码器网络中有效地同时进行去噪，照明增强和SR。此外，动态残留帧经由共享骨干与DP3DF联合学习，以进一步提高SR质量。我们进行了广泛的实验，包括大规模的用户研究，以显示我们的方法的有效性。我们的方法在所有具有挑战性的真实数据集上始终超过最先进的方法，具有最高的PSNR和用户评级，但具有非常快的运行时间。
2022-12-01 cs.CV
Image Denoising via Collaborative Dual-Domain Patch Filtering
在本文中，我们提出了一种新的图像去噪算法，利用从空间以及变换域的功能。我们实现了基于强度不变的改进分组协作支持不可知稀疏重建。对于协作，首先，我们堆叠相似结构的补丁通过强度不变的相关性措施。分组的补丁合作，以产生所需的稀疏估计噪声滤波。这是因为相似的补丁在变换域中共享相同的支持，这样的相似支持可以用作有效抽头的概率以细化稀疏估计。这最终产生了一个非常有用的补丁估计，从而提高了恢复图像的质量，通过丢弃噪声引起的组件。然后，应用基于区域生长的空间开发后处理器，通过提取空间域特征来进一步增强平滑区域。我们还扩展了我们提出的彩色图像去噪方法。通过大量的实验，在峰值信噪比（PNSR）和结构相似性（SSIM）指标上与现有算法进行了比较，验证了该算法的优越性。
2018-05-01 cs.CV
IDF: Iterative Dynamic Filtering Networks for Generalizable Image Denoising
Department of Computer Science, Hanyang University（翰阳大学计算机科学系）；School of Computing and Artificial Intelligence, Southwest Jiaotong University（西南交通大学计算机与人工智能学院）
本文提出迭代动态滤波网络IDF，通过动态生成逐像素自适应卷积核并迭代去噪，以约0.04M参数的紧凑模型在仅训练于单级高斯噪声的情况下实现跨噪声类型和水平的强泛化能力。
2025-08-27 cs.CV
On a non-local spectrogram for denoising one-dimensional signals
Universidad de Oviedo（奥维耶多大学）
本研究针对一维信号去噪问题，利用谱图的特殊性采用非局部Neighborhood滤波器，相比Yaroslavsky及PDE类滤波器在保证效果的同时大幅缩短计算时间，并通过合成与生物医学信号实验验证了性能。
2013-11-13 cs.CV
Texture variation adaptive image denoising with nonlocal PCA
Shanghai Jiao Tong University（上海交通大学）；Nanchang University（南昌大学）
图像纹理作为一种局部变化，为人类视觉系统提供了重要的信息。许多图像纹理，特别是小尺度或随机纹理，具有丰富的高频变化，难以保存。现有的去噪算法通常采用非局部方法，包括图像块分组和分组去噪滤波。为了实现更好的图像去噪，同时保持纹理的变化，我们首先自适应分组高相关图像补丁具有相同种类的纹理元素（纹素）通过自适应聚类方法。这种自适应聚类方法应用在过聚类和迭代合并方法中，其中其噪声鲁棒性通过与噪声水平和聚类大小相关的自定义合并阈值来提高。对于每个簇的纹理保持去噪，考虑到纹理的变化不仅包含在PCA变换系数的维间能量变化中，还包含在维内变化中，我们进一步提出了一种PCA变换域变化自适应滤波方法来保持纹理的局部变化.对自然图像的实验结果表明，本文提出的变换域变分自适应滤波方法优于传统的PCA硬阈值或软阈值滤波方法。整体而言，该方法在定量和视觉上都具有较好的纹理保持性能，特别是对于随机纹理，并在相机原始图像去噪中得到了进一步验证。
2018-10-26 cs.CV
High Density Noise Removal by Cascading Algorithms
Veer Surendra Sai University of Technology（维尔·苏伦德拉·赛理工大学）
提出了一种改进的非线性级联滤波算法，用于去除数字图像中的高密度椒盐噪声。所提出的方法包括两个阶段。第一阶段的决策基中值滤波器（DMF）作为初步的噪声去除算法。第二阶段是改进的基于决策的部分修剪全局均值滤波器（MDBPTGMF）或改进的基于决策的非对称修剪中值滤波器（MDBUFMF），其用于去除剩余噪声并增强图像质量。DMF算法在低噪声密度下表现良好，但在中高噪声水平下无法去除噪声。MDBPTGMF和MDUMF在低、中和高噪声密度下具有出色的性能，但这些会降低图像质量，并在高噪声水平下使图像模糊。因此，本文的基本思想是结合两个阶段中使用的滤波器的优点，以去除椒盐噪声，并在所有噪声密度水平下提高图像质量。对不同灰度图像的测试表明，该方法的平均绝对误差（MAE）、峰值信噪比（PSNR）和图像增强因子（IEF）均优于自适应中值滤波器（AMF）、基于判决的非对称裁剪中值滤波器（DBUMF）、改进的基于判决的非对称裁剪中值滤波器（MDBUMF）和基于判决的部分裁剪全局均值滤波器（DBPTGMF）。
2015-04-11 cs.CV
A new ADMM algorithm for the Euclidean median and its application to robust patch regression
Indian Institute of Science（印度科学学院）
欧几里得空间中的一组点$Ω$的欧几里得中值（EM）是使x到$Ω$中的点的欧几里得距离的（加权）和最小化的点x。虽然不存在EM的封闭形式的表达式，但是它可以使用诸如Wieszfeld算法的迭代法来计算。EM已被经典地用作多变量数据中心性的鲁棒估计。最近的研究表明，EM可以通过推广流行的非局部均值算法来执行鲁棒的基于块的图像去噪。在本文中，我们提出了一种新的算法计算EM（及其盒约束对应）使用变量分裂和增广拉格朗日方法。这种方法的吸引人的特点是，在ADMM为基础的增广拉格朗日优化所涉及的子问题，可以解决使用简单的封闭形式的投影。建议ADMM求解器用于强大的基于补丁的图像去噪，并表现出更快的收敛速度相比，现有的求解器。
2015-01-16 cs.CV
An Approach for Reducing Outliers of Non Local Means Image Denoising Filter
提出了一种自适应非局部均值图像滤波方法--非局部自适应限幅均值（NLACM），与传统的非局部均值图像滤波方法相比，该方法能有效地降低离群值的影响，提高去噪质量.从数据总体中忽略离群值的常用方法是计算由平均值和标准差定义的范围内的平均值。在NLACM中，我们根据待去噪像素邻域的统计估计，在定义的范围内执行中值。由于该范围的参数独立于任何附加输入并且基于局部强度值，因此该方法是自适应的。NLACM的实验结果表明，在高噪声水平下，与NLM相比，从噪声邻域观察中更好地估计真实强度。我们已经验证了斑点噪声减少的技术，我们已经测试了腰椎的超声（US）图像。这些超声图像可作为腰椎神经根病注射治疗的指导。我们相信，所提出的方法是第一次的图像去噪，其效率可以很好地证明，因为它显示出更好的性能在图像复原。
2014-12-09 cs.CV
Non-linear aggregation of filters to improve image denoising
Inria（法国国家信息与自动化研究所）；University College London（伦敦大学学院）；Ecole des Ponts ParisTech（巴黎路桥学院）
我们引入了一种新的聚合方法，有效地进行图像去噪。初步过滤器以非线性方式聚合，使用基于过滤器池如何达成共识的像素接近度的新度量。我们提供了一个理论界来支持我们的聚合方案，其数值性能的说明，我们表明，聚合显着优于每个初步过滤器。
2020-06-23 cs.CV cs.LG eess.IV
Learning Non-local Image Diffusion for Image Denoising
National University of Defense Technology（国防科技大学）；University of Science and Technology Beijing（北京科技大学）
图像扩散是图像去噪的基础。最近提出的可训练非线性反应扩散（TNRD）模型定义了一个简单但非常有效的图像去噪框架。然而，由于TNRD模型是局部模型，其扩散行为完全由局部块的信息控制，因此易于在均匀区域和过度平滑的高纹理区域中产生伪影，特别是在强噪声水平的情况下。同时，众所周知，非局部自相似性（NSS）先验是一种有效的图像去噪先验，在许多非局部方法中得到了广泛的应用。在这项工作中，我们非常积极地将NSS先验嵌入到TNRD模型中，以解决其弱点。为了保持端到端训练可用的预期属性，我们通过一组非局部滤波器利用NSS先验，并推导出我们提出的用于图像去噪的可训练非局部反应扩散（TNLRD）模型。与局部滤波器和影响函数一起，非局部滤波器通过采用损失特定的训练来学习。实验结果表明，训练的TNLRD模型产生视觉上合理的恢复图像与更多的纹理和更少的文物，相比其本地版本。此外，训练的TNLRD模型可以在峰值信噪比（PSNR）和结构相似性指数（SSIM）方面实现与最近最先进的图像去噪方法具有很强竞争力的性能。
2017-02-24 cs.CV
Real-time Controllable Denoising for Image and Video
The Chinese University of Hong Kong（香港中文大学）；Shanghai AI Laboratory（上海人工智能实验室）；SenseBrain（思脑）
可控图像去噪的目标是生成具有人类感知先验的干净样本，并平衡清晰度和平滑度。在传统的基于滤波器的去噪方法中，这可以通过调整滤波强度来容易地实现。然而，对于基于NN（神经网络）的模型，调整最终的去噪强度需要每次进行网络推理，这使得实时的【形】用户交互几乎不可能。在本文中，我们介绍了实时的【形】可控去噪（RCD），这是第一个深度图像和视频去噪管道，它提供了一个完全可控的用户界面，只需一次性网络推理即可实时的【形】编辑任意去噪级别。与需要多个去噪器和训练阶段的现有可控去噪方法不同，RCD将现有基于CNN的模型的最后一个输出层（通常输出单个噪声图）替换为输出多个噪声图的轻量级模块。我们提出了一种新的噪声去相关过程，以执行噪声特征图的正交性，允许通过噪声图插值任意噪声水平控制。这个过程是无网络的，不需要网络推理。我们的实验表明，RCD可以使实时的【形】可编辑的图像和视频去噪各种现有的重量级模型，而不牺牲其原有的性能。
2023-03-29 cs.CV
A Faster Patch Ordering Method for Image Denoising
GIK Institute of Engineering Sciences and Technology（GIK工程科学与技术学院）
在基于块的图像去噪处理方法中，局部块的平滑排序（块排序）已被证明可以给出最先进的结果。对于图像去噪的补丁排序方法形成两个大的TSP（旅行商问题）的N维空间中的节点组成。然后在滤波过程中使用两个大TSP的十个近似解来形成重构图像。大TSP的使用使得补丁排序成为计算密集型方法。提出了一种改进的块排序图像去噪方法。在所提出的方法中，形成了几个较小的TSP，并改变了过滤过程，以与这些较小的TSP的解决方案一起工作。在PSNR方面，所提出的方法的去噪结果平均相差0.032 dB到0.016 dB。在原来的方法中，解决TSP被观察到消耗85%的执行时间。在新方法中，求解TSP的时间可以减少到原来的方法所需的时间的一半。该方法可以在40%的时间内去除图像中的噪声。
2017-04-26 cs.CV
Improvement of BM3D Algorithm and Employment to Satellite and CFA Images Denoising
Iran University of Science and Technology（伊朗科技大学）
提出了一种改进块匹配三维滤波（BM3D）图像去噪算法的新方法。结果表明，在各种噪声水平下，它都有可能获得比BM 3D算法更好的性能。该方法根据噪声水平改变BM3D算法的参数值，去除了高噪声水平下的预滤波，从而提高了峰值信噪比（PSNR）和视觉质量，降低了BM3D的复杂度和处理时间。将改进的BM3D算法推广应用于卫星图像和彩色滤光片阵列（CFA）图像的去噪。输出结果表明，与目前的卫星和CFA图像去噪方法相比，性能有所提升。在这方面，该算法与自适应PCA算法进行了比较，该算法在去噪CFA图像的PSNR和视觉质量方面具有优越的性能。处理时间也大大缩短。
2011-12-11 cs.CV
Understanding Symmetric Smoothing Filters: A Gaussian Mixture Model Perspective
Purdue University（普渡大学）；Harvard University（哈佛大学）
许多基于块的图像去噪算法可以被公式化为将平滑滤波器应用于噪声图像。表示为矩阵，平滑滤波器必须行归一化，以便每行总和为1。令人惊讶的是，如果我们在行规范化之前应用列规范化，平滑滤波器的性能通常可以显着提高。先前的工作表明，这样的性能增益与Sinkhorn-Knopp平衡算法有关，Sinkhorn-Knopp平衡算法是将行随机矩阵对称化为双随机矩阵的迭代过程。然而，对性能增益现象的完整理解仍然缺乏。在本文中，我们从统计学习的角度研究性能增益现象。我们表明，Sinkhorn-Knopp是等效的期望最大化（EM）算法学习的高斯混合模型的图像补丁。通过建立Sinkhorn-Knopp和EM算法步骤之间的对应关系，我们提供了对称化过程的几何解释。这一观察使我们能够开发一种新的去噪算法，称为高斯混合模型对称平滑滤波器（GSF）。GSF是Sinkhorn-Knopp滤波器的一个扩展，是原始平滑滤波器的一个推广。尽管其简单的公式，GSF优于许多现有的平滑滤波器，并具有类似的性能相比，几个国家的最先进的去噪算法。
2016-09-23 cs.CV
A Study of the Limits of Collaborative DCT-Based Image Denoising via Interpretable Neural Networks
Universitat de les Illes Balears（巴利阿里群岛大学）
本研究提出DeepBM3D，将BM3D协作滤波重构为全可微神经网络，结合非局部块分组与DCT域学习维纳滤波，在低中噪声下媲美FFDNet并优于经典方法。
2026-10-23 cs.CV
Accelerated graph-based nonlinear denoising filters
Mitsubishi Electric Research Laboratories（三菱电机研究实验室）；University of Bergen（卑尔根大学）
本文提出通过共轭梯度法和Nesterov加速技术加速图基非线性去噪滤波器，实验显示在图像去噪中效率提升2-12倍。
2016-04-13 cs.CV cs.NA math.NA
Details Preserving Deep Collaborative Filtering-Based Method for Image Denoising
King Fahd University of Petroleum and Minerals（法赫德国王石油与矿业大学）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
尽管近年来的去噪算法取得了很大的进步，但许多算法在去噪后仍不能很好地保留图像的细节。这是由于他们对图像的平滑效果。大多数基于神经网络的算法都取得了比经典去噪算法更好的定量性能。然而，由于平滑效果，它们也会受到定性（视觉）性能的影响。在本文中，我们提出了一个算法来解决这个缺点。提出了一种基于深度协同滤波（Deep-CoFiB）的图像去噪算法。该算法使用一组优化的神经网络模型在稀疏域中对图像块进行协同去噪。这导致了一种快速算法，能够很好地获得噪声去除和细节保留之间的权衡。大量的实验表明，DeepCoFiB在定量（PSNR和SSIM）和定性（视觉）方面的表现优于许多最先进的去噪算法。
2021-07-14 cs.CV cs.LG eess.IV
CFNet: Conditional Filter Learning with Dynamic Noise Estimation for Real Image Denoising
Jiangxi University of Finance and Economics（江西财经大学）；Chinese Academy of Sciences（中国科学院）
用于真实图像去噪的基于卷积神经网络（CNN）的主流类型的现有技术（SOTA）包含两个子问题，即，噪声估计和非盲去噪。本文考虑了真实噪声近似异方差高斯/泊松高斯分布与摄像机内的信号处理管道。相关的工作总是利用估计的噪声之前，通过信道级级联，然后是卷积层与空间共享内核。由于所有特征位置的噪声强度和频率细节的可变模式，该设计不能自适应地调整相应的去噪模式。为了解决这个问题，我们提出了一种新的条件滤波器，在该滤波器中，不同特征位置的最佳内核可以通过图像和噪声图的局部特征自适应地推断。同时，将噪声估计和非盲去噪交替进行的思想引入到CNN结构中，在引导迭代特征去噪之前不断更新噪声。此外，根据异方差高斯分布的特性，设计了一种新的仿射变换块来预测平稳噪声分量和信号相关噪声分量。与SOTA相比，在5个人工数据集和3个真实数据集上进行了大量的实验，结果表明了CFNet的改进。
2022-11-26 cs.CV eess.IV
Unrolling of Deep Graph Total Variation for Image Denoising
York University（约克大学）；Weizmann Institute of Science（魏茨曼科学研究所）
虽然像卷积神经网络（CNN）这样的深度学习（DL）架构已经在图像去噪中实现了有效的解决方案，但通常它们的实现过度依赖于训练数据，缺乏可解释性，并且需要调整大的参数集。在本文中，我们将经典的图信号滤波与深度特征学习结合到一个有竞争力的混合设计中-一个利用可解释的分析低通图滤波器的设计，并且使用的网络参数比最先进的DL去噪方案DnCNN少80%。具体来说，为了构造一个合适的相似图进行图谱滤波，我们首先采用CNN来学习每个像素的特征表示，然后计算特征距离来建立边缘权重。给定一个构造的图，我们接下来使用图全变差（GTV）先验来制定去噪的凸优化问题。通过一个$l_1$图拉普拉斯变换，我们解释了它的解决方案，在一个迭代过程中作为一个图形低通滤波器，并得出其频率响应。对于快速滤波器的实现，我们使用Lanczos近似实现此响应。实验结果表明，在统计不匹配的情况下，我们的算法优于DnCNN高达3dB的PSNR。
2021-03-24 cs.CV eess.IV
Adaptive Dynamic Filtering Network for Image Denoising
School of Computer Science and Information Engineering, Hefei University of Technology (HFUT)（合肥工业大学计算机与信息工程学院）；Intelligent Interconnected Systems Laboratory of Anhui Province (HFUT)（安徽省智能互联系统实验室（合肥工业大学））；Guangxi Academy of Sciences（广西科学院）；Intelligent Manufacturing Institute of HFUT（合肥工业大学智能制造研究院）
针对图像去噪中特征缩放导致高频信息丢失及动态卷积缺乏空间上下文的问题，提出自适应动态滤波网络ADFNet，通过空间增强核生成模块、动态卷积块和多尺度动态卷积块高效提取并融合多尺度高频特征，在低计算复杂度下实现更优去噪性能。
2023-04-03 cs.CV
A Non-Local Means Approach for Gaussian Noise Removal from Images using a Modified Weighting Kernel
Qazvin Islamic Azad University（加兹温伊斯兰阿扎德大学）
高斯噪声去除是数字图像处理中的一个有趣的领域，不仅可以提高视觉质量，而且可以影响其他后处理算法，如图像配准或分割。现有的许多去噪方法都是基于自相似性或基于块的图像处理。具体来说，非局部均值（NLM）作为一种基于块的滤波器，近年来得到了越来越多的关注。本质上，该滤波器倾向于通过计算待处理的块与图像内的其他块之间的高斯加权欧几里德距离来获得无噪声信号值。然而，NLM滤波器对补丁内的离群值（其强度值远离其他像素的像素）敏感，这意味着补丁中具有对称位置的像素被分配相同的权重。当噪声的破坏性性质在补丁内生成一些离群值时，这可能导致次优的去噪性能。在本文中，我们提出了一种新的加权方法来修改高斯核的NLM滤波器。我们的方法采用图像强度之间的几何距离来为补丁的每个像素提供新的权重，降低离群值对去噪性能的影响。对一组标准图像和不同噪声水平的实验表明，我们提出的方法优于其他比较去噪滤波器。
2016-12-03 cs.CV
Adaptive Image Denoising by Targeted Databases
University of California at San Diego（加州大学圣地亚哥分校）；Purdue University（普渡大学）
我们提出了一个依赖于数据的去噪过程来恢复噪声图像。与现有的去噪算法从噪声图像或通用数据库中搜索补丁不同，新算法从仅包含相关补丁的数据库中查找补丁。我们制定的去噪问题作为一个最优滤波器的设计问题，并作出两个贡献。首先，我们通过求解群稀疏最小化问题来确定去噪滤波器的基函数。优化配方推广现有的去噪算法，并提供系统的性能分析。提出了改进方法，以提高补丁搜索过程。其次，我们确定的频谱系数的去噪滤波器，考虑本地化的贝叶斯先验。局部先验利用了目标数据库的相似性，简化了密集的贝叶斯计算，并将新方法与经典的线性最小均方误差估计联系起来。我们展示了所提出的方法在各种场景中的应用，包括文本图像，多视图图像和人脸图像。实验结果表明，新算法优于现有的方法。
2014-11-03 cs.CV stat.ME
Kriging Interpolation Filter to Reduce High Density Salt and Pepper Noise
Irbid National University（伊尔比德国立大学）
图像去噪是数字图像处理领域的一个关键问题。本文提出了一种新的椒盐噪声抑制通过开发一个克里金插值滤波器（KIF）的图像去噪。灰度图像退化与盐和胡椒噪声已被认为是。使用kXk窗口大小进行噪声检测的顺序搜索以仅确定无噪声像素。非噪声像素被传递到Kriging插值方法来预测它们的缺席的邻居像素，在第一阶段是噪声像素。Kriging插值滤波器的使用证明它对抑制高噪声密度是非常令人印象深刻的。已经发现，克里格插值滤波器实现了降噪而不丢失边缘和详细信息。与现有的算法进行比较，使用质量指标，如PSNR和MSE评估建议的过滤器。
2013-02-06 cs.CV
Image denoising in acoustic field microscopy
Indian Institute of Technology Guwahati（印度理工学院古瓦哈蒂分校）；UiT The Arctic University of Norway（挪威特罗姆瑟大学（UiT 挪威北极大学））；Indian Institute of Technology Dhanbad（印度理工学院丹巴德分校）
由于显微图像广泛用于生物医学或材料研究，因此已经采用扫描声学显微镜（SAM）。声成像技术是无损检测、生物医学成像和结构健康监测的重要手段，但由于声成像信号的幅值较低，可能导致图像中噪声较大，缺乏细节信息。在这项工作中，我们试图分析SAM从低幅度信号采集的图像，并采用块匹配滤波器在时域信号，以获得去噪图像。我们比较了图像与传统的滤波器应用于时域信号，如高斯滤波器，中值滤波器，维纳滤波器，和总变分滤波器。注意到的结果显示在这篇文章中。
2022-08-07 cs.CV eess.IV physics.app-ph
Gabor is Enough: Interpretable Deep Denoising with a Gabor Synthesis Dictionary Prior
New York University, Tandon School of Engineering（纽约大学坦登工程学院）
本研究将去噪CNN的滤波器约束为可学习二维实Gabor滤波器，提出GDLNet，以极少参数取得接近SOTA的去噪性能，保留噪声泛化性，验证了低层视觉CNN表征可如Gabor滤波器组般简单可解释。
2022-04-23 cs.CV eess.IV eess.SP
Hybrid-LUT: Channel-Aware Hybrid Lookup Table and Filtering for Efficient Image Denoising
The University of Hong Kong（香港大学）
本研究提出Hybrid-LUT框架，通过Y通道用带像素级权重融合的多波段LUT、UV通道用轻量级滤波的非对称设计，在减少三分之二LUT存储的同时，于真实数据集上较现有LUT去噪方法提升至少0.63 dB CPSNR，实现SOTA性能。
2026-08-13 cs.CV eess.IV
Nonlocality-Reinforced Convolutional Neural Networks for Image Denoising
Tampere University of Technology（坦佩雷理工大学）；Noiseless Imaging Ltd（Noiseless Imaging有限公司）
我们介绍了一种非局部稀疏增强深度卷积神经网络去噪的范例。它是由基于卷积神经网络（CNN）的去噪器进行的局部多尺度去噪和基于非局部滤波器（NLF）的非局部去噪的组合，该非局部去噪利用补丁组之间的相互相似性。CNN模型的噪声水平在我们框架的每次迭代中逐渐降低，而它们的输出则通过NLF内隐含的非局部先验进行正则化。与将非局部先验嵌入网络层的复杂神经网络不同，我们的框架是模块化的，它使用标准的预训练CNN和标准的非局部滤波器。所提出的框架，称为NN3D的一个实例，在大型灰度图像数据集显示最先进的性能进行评估。
2018-06-21 cs.CV eess.IV
Learned Nonlocal Feature Matching and Filtering for RAW Image Denoising
Institute of Applied Computing and Community Code (IAC3)（应用计算与社区代码研究所）
本文提出一种结合经典自相似去噪器结构的可学习神经网络，通过非局部块提升接收场，实现高效RAW图像去噪，具有良好的通用性和可解释性。
2026-04-19 cs.CV eess.IV
Multispectral image denoising with optimized vector non-local mean filter
CSE Department, College of Engineering, Qatar University, P.O. Box 2713, Doha-Qatar（卡塔尔大学工程学院计算机科学与工程系）；LE2i Lab, UMR CNRS 6306, University of Burgundy, BP 47870, 21078, Dijon-France（布尔格斯大学）；Department of Computer Science, University of Biskra, 07000, Algeria（阿尔及利亚比斯克拉大学计算机科学系）
本文提出将非局部均值滤波扩展至向量域，用于多光谱图像去噪，通过优化参数和计算复杂度提升去噪性能。
2016-10-21 cs.CV cs.NA math.NA
Image Denoising with Control over Deep Network Hallucination
School of Computer and Communication Sciences, EPFL（洛桑联邦理工学院计算机与通信科学学院）
深度图像去噪器实现了最先进的结果，但有隐藏的成本。正如最近的文献所证明的那样，这些深度网络能够过度拟合其训练分布，导致输出中添加不准确的幻觉，并且对不同数据的泛化能力很差。为了更好地控制和解释深度去噪器，我们提出了一个利用去噪网络的新框架。我们称之为可控的基于置信度的图像去噪（CCID）。在这个框架中，我们利用深度去噪网络的输出以及与可靠滤波器卷积的图像。这样的滤波器可以是简单的卷积核，其不冒添加幻觉信息的风险。我们建议使用频域方法融合这两个组件，该方法考虑了深度网络输出的可靠性。通过我们的框架，用户可以控制频域中两个分量的融合。我们还提供了一个用户友好的地图空间估计的信心，可能包含网络幻觉的输出。结果表明，我们的CCID不仅提供了更多的可解释性和控制，但甚至可以超越深度去噪器和可靠滤波器的定量性能，特别是当测试数据偏离训练数据。
2022-01-02 cs.CV eess.IV
Exploiting Temporal Attention Features for Effective Denoising in Videos
视频去噪是任何视频处理流水线的基本任务之一。它不同于图像去噪，因为视频帧的时间特性，任何图像去噪方法应用于视频都会导致闪烁。该方法利用视频帧的时间和空间维度作为两阶段流水线的一部分。该体系结构中的每一级称为时空网络，使用通道式注意机制将编码器信号转发到解码器侧。本文中使用的注意力块使用软注意力来对过滤器进行排名，以便更好地训练。
2020-08-27 cs.CV eess.IV
A Comprehensive Comparison of Multi-Dimensional Image Denoising Methods
Lehigh University（理海大学）；South China University of Technology（华南理工大学）
对诸如彩色图像、彩色视频、多光谱图像和磁共振图像之类的多维图像进行滤波在有效性和效率方面都具有挑战性。利用图像的非局部自相似性（NLSS）特性和变换域的稀疏表示，基于块匹配和3D滤波（BM3D）的方法具有很强的去噪性能。最近，提出了许多具有不同正则化项、变换和高级深度神经网络（DNN）架构的新方法来提高去噪质量。在本文中，我们在合成和真实世界的数据集上广泛比较了60多种方法。我们还引入了一个新的彩色图像和视频数据集进行基准测试，我们的评估是从四个不同的角度进行的，包括定量指标，视觉效果，人类评级和计算成本。综合实验表明：（i）BM3D系列在各种去噪任务中的有效性和效率，（ii）与张量算法相比，一个简单的基于矩阵的算法可以产生类似的结果，（iii）用合成高斯噪声训练的几个DNN模型在现实世界的彩色图像和视频数据集上显示出最先进的性能。尽管近年来取得了进展，我们讨论现有技术的缺点和可能的扩展。用于评估的数据集和代码可在https://github.com/ZhaomingKong/Denoising-Comparison上公开查阅。
2020-11-06 cs.CV eess.IV
CANDID: Correspondence AligNment for Deep-burst Image Denoising
University of Tübingen（图宾根大学）
针对深度连拍图像去噪问题，提出名为CANDID的方法，通过光流对应估计模块对齐帧、差异化预滤波、空间变化滤波核平滑后融合图像，实现了当前最优的去噪效果。
2023-06-16 cs.CV cs.LG
Filter2Noise: A Framework for Interpretable and Zero-Shot Low-Dose CT Image Denoising
Pattern Recognition Lab, Friedrich-Alexander-University Erlangen-Nuremberg（模式识别实验室，弗里德里希-亚历山大大学埃尔朗根-纽伦堡）；Siemens Healthineers AG（西门子医疗影像有限公司）；Department of Radiology, State Key Laboratory of Complex Severe and Rare Diseases, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College（放射科，复杂严重罕见疾病国家重点实验室，北京协和医院，中国医学科学院及北京协和医学院）；Theranostics and Translational Research Center, National Infrastructures for Translational Medicine, Institute of Clinical Medicine, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College（诊疗与转化研究中心，国家转化医学基础设施，临床医学研究院，北京协和医院，中国医学科学院及北京协和医学院）
Filter2Noise通过透明的双边滤波器和自监督学习实现高效低剂量CT去噪，兼具高性能、可解释性和参数效率。
2026-02-18 cs.CV cs.LG eess.IV
Convolutional Neural Network with Median Layers for Denoising Salt-and-Pepper Contaminations
Microsoft（微软）；Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Uber（优步）；University of Science and Technology of China（中国科学技术大学）；Hong Kong Polytechnic University（香港理工大学）
我们提出了一种深度全卷积神经网络，它具有一种新的层，称为中值层，用于恢复被椒盐（s&p）噪声污染的图像。中值层仅对所有特征通道执行中值滤波。通过将这种层添加到一些广泛使用的全卷积深度神经网络中，我们开发了一个端到端网络，该网络可以在不执行任何非平凡预处理任务的情况下去除极高级别的S&P噪声，这与所有现有的S&P噪声去除文献不同。实验表明，将中值层插入到具有L2损失的简单全卷积网络中可以显着提高信噪比。定量比较证明，我们的网络优于国家的最先进的方法与有限数量的训练数据。源代码已经发布供公众评估和使用（https：//github.com/llmpass/medianDenoise）。
2019-08-18 cs.CV
Denoising and Covariance Estimation of Single Particle Cryo-EM Images
Princeton University（普林斯顿大学）；University of Central Florida（中佛罗里达大学）
冷冻EM中的图像复原问题需要校正对比度传递函数（CTF）和噪声的影响。用于图像复原的流行方法包括“相位翻转”和维纳滤波，“相位翻转”仅校正傅立叶相位而不校正幅度，维纳滤波需要频谱信噪比。本文提出了一种新的图像复原方法，我们称之为“协方差维纳滤波”（CWF）。在CWF中，投影图像的协方差矩阵在经典的维纳滤波框架内用于解决图像复原反卷积问题。我们的协方差矩阵的估计过程是新的，并成功地纠正了CTF。我们证明了CWF的有效性，通过应用它来恢复模拟和实验cryo-EM图像。实验数据集的结果表明，CWF提供了一个很好的方法来评估粒子图像，并看到数据集包含什么，即使没有二维分类和平均。
2016-04-06 cs.CV q-bio.BM stat.ML
Multivariate Median Filters and Partial Differential Equations
University for Health Sciences, Medical Informatics and Technology (UMIT)（健康科学、医学信息与技术大学）
多元中值滤波器已被提出作为推广的公认的中值滤波器的灰度值图像的多通道图像。作为多变量中位数，大多数最近的方法使用$L^1$中位数，即目标函数的最小值，即到所有输入点的距离之和。单变量中值滤波器的许多性质推广到这样的滤波器。然而，Guichard和Morel关于中值滤波近似平均曲率运动偏微分方程的著名结果对于$L^1$多元中值滤波并不具有非常简单的对应。我们讨论了仿射等变Oja中值和仿射等变变换--再变换$L^1$中值作为$L^1$中值滤波的替代。我们分析多元中值滤波器在空间连续的设置，包括制定一个空间连续的版本的变换-retransformation $L^1$中位数，并推导出偏微分方程近似这些过滤器的情况下，二维平面图像，三通道体积图像和三通道平面图像。仿射等变滤波器的偏微分方程可以在几何上解释为扩散和主成分曲率运动贡献与基于主成分扭转的交叉效应项的组合。数值实验证明了近似结果的有效性。
2016-03-18 cs.CV
A Total Variation Denoising Method Based on Median Filter and Phase Consistency
School of Biological Sciences and Medical Engineering, Southeast University（东南大学生物科学与医学工程学院）；Shanghai United-imaging Healthcare Co., Ltd（上海联影医疗科技股份有限公司）
全变分法是图像噪声抑制中的一种常用方法。但这种方法容易造成图像细节的丢失，而且对迭代时间等参数也比较敏感。在这项工作中，总变分方法已被修改使用的扩散速率调节器的基础上的相位一致性和中值滤波器和相位一致性边界的融合滤波器，这是所谓的MPC-TV方法。实验结果表明，MPC-TV方法具有较好的噪声抑制效果，特别是对相干斑噪声的抑制效果更好，并且可以提高TV方法迭代次数对不同方差噪声的鲁棒性。
2020-01-01 cs.CV eess.IV
QuaSI: Quantile Sparse Image Prior for Spatio-Temporal Denoising of Retinal OCT Data
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）；Massachusetts Institute of Technology（麻省理工学院）
光学相干断层扫描（OCT）能够对人类视网膜进行高分辨率和非侵入性的3D成像，但固有地受到斑点噪声的损害。本文介绍了一种新的分位数稀疏图像先验的B超OCT数据时空去噪算法。为了去除斑点噪声，同时保留图像结构的诊断相关性，我们实现了我们的ECOSI前通过中值滤波正则化加上一个Huber数据保真度模型在变分方法。为了有效的能量最小化，我们开发了一个交替方向的乘法器（ADMM）计划使用中值滤波的线性化。我们的时空方法可以同时处理单次B扫描和时间上连续的B扫描的去噪，以获得具有增强的信噪比的体积OCT数据。我们的算法基于4次B扫描，仅实现了与平均13次B扫描相当的性能，并且优于其他当前的去噪方法。
2017-03-08 cs.CV
FilterFusion: Prior-Guided Adaptive Filter Fusion for Efficient Video Denoising
Tsinghua University（清华大学）；Microsoft（微软）
提出FilterFusion先验引导多帧去噪框架，结合学习特征与可解释滤波器库，轻量高效，在CRVD数据集上实现高指标，CPU端1080p下达实时速度，性能优于轻量CNN基线。
2026-10-16 cs.CV
LBF:Learnable Bilateral Filter For Point Cloud Denoising
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Hong Kong Metropolitan University（香港都会大学）
双边滤波器（BF）是一种快速、轻量级、有效的图像去噪工具，并很好地扩展到点云去噪。然而，它通常涉及连续的手动参数调整;这种不便降低了获得满意的去噪结果的效率和用户体验。我们提出了LBF，一种用于点云去噪的端到端可学习双边滤波网络;据我们所知，这是第一次。与传统的BF及其变体不同，LBF接收整个点云的相同参数，LBF根据每个点的几何特征（例如，角、边、平面），避免残留噪声、错误删除的几何细节和扭曲的形状。除了BF的可学习范式之外，我们还有两个核心来促进LBF。首先，不同于局部BF，LBF通过利用每个点的多尺度块而具有全局尺度特征感知能力。其次，LBF公式化几何感知的双向投影损失，导致去噪结果忠实于其底层表面。用户可以应用我们的LBF，而无需任何费力的参数调整，以实现最佳的去噪结果。实验表明，LBF在合成数据集和真实扫描数据集上都比其竞争对手有明显的改进。
2022-10-28 cs.CV
Fast, Trainable, Multiscale Denoising
Google Research（谷歌研究院）
去噪是一个基本的成像问题。移动相机系统需要通用但快速的滤波。我们提出了一种多尺度滤波的方法，它允许低功耗设备上的实时应用。其关键思想是学习一组内核，这些内核在局部结构分析的指导下对不同尺度的补丁进行升级、过滤和混合。这种方法是可训练的，使得学习的滤波器能够处理不同的噪声模式和伪影。实验结果表明，所提出的方法产生可比的结果，国家的最先进的算法，而处理时间是数量级更快。
2018-02-16 cs.CV
Filter Pruning via Geometric Median for Deep Convolutional Neural Networks Acceleration
University of Technology Sydney（悉尼科技大学）；CETC（中国电子科技集团公司）；Huawei（华为）；Baidu Research（百度研究院）
以前的工作利用“smaller-norm-less-important”准则来修剪卷积神经网络中具有较小范数值的滤波器。在本文中，我们分析了这种基于范数的准则，并指出其有效性取决于两个要求，并不总是满足：（1）的范数偏差的过滤器应该是大的;（2）的最小范数的过滤器应该是小的。为了解决这个问题，我们提出了一种新的过滤器修剪方法，即通过几何中位数的过滤器修剪（FPGM），来压缩模型，而无论这两个要求如何。与以前的方法不同，FPGM通过修剪具有冗余的过滤器来压缩CNN模型，而不是那些具有“相对较低”重要性的过滤器。当应用于两个图像分类基准，我们的方法验证了它的有用性和优势。值得注意的是，在CIFAR-10上，FPGM在ResNet-110上降低了52%以上的FLOP，相对精度甚至提高了2.69%。此外，在ILSVRC-2012上，FPGM在ResNet-101上减少了超过42%的FLOP，而没有前5名的准确性下降，这已经推进了最先进的水平。代码在GitHub上公开：https://github.com/he-y/filter-pruning-geometric-median
2019-07-14 cs.CV
BMND: Direct Poisson Denoising by N-Dimensional Block Matching and Collaborative Filtering
University of Münster（明斯特大学）
BMND提出维度无关的块匹配协同滤波直接泊松去噪方法，无需方差稳定变换，结合噪声感知匹配与质量守恒，在1D/2D/3D数据上提升重建质量并减少强度损失。
2026-09-29 cs.CV
Evaluation of Denoising Techniques for EOG signals based on SNR Estimation
IIT Kharagpur（印度理工学院卡拉格普尔分校）
本文评价了四种基于信噪比（SNR）的原始眼电（EOG）数据去噪算法。信噪比的计算使用本征值法。滤波算法是a）有限脉冲响应（FIR）带通滤波器，b）平稳小波变换，c）经验模式分解（EMD），d）FIR中值混合滤波器。已经准备了EOG数据集，其中要求受试者对20名受试者进行字母取消测试。
2016-10-27 cs.CV
Non-Local Euclidean Medians
Princeton University（普林斯顿大学）
在这封信中，我们注意到非局部均值（NLM）在大噪声水平下的去噪性能可以通过用欧几里得中值代替均值来提高。我们称这种新的去噪算法为非局部欧氏中位数（NLEM）。NLEM的核心是观察到中位数比平均值对离群值更稳健。特别是，我们提供了一个简单的几何见解，解释了为什么NLEM在边缘附近，特别是在大噪声水平下，比NLM表现更好。NLEM可以有效地实现使用迭代重加权最小二乘，其计算复杂性是相当的NLM。我们提供了一些初步的结果来研究所提出的算法，并将其与NLM。
2012-08-24 cs.CV cs.DS
