Image denoising via group sparsity residual constraint
Southeast University（东南大学）
群体稀疏性在各种低层次的视觉任务（如图像去噪、去模糊和图像修复）中显示出巨大的潜力。本文提出了一种新的基于群稀疏残差约束（GSRC）的图像去噪先验模型。为了提高基于群稀疏的图像去噪性能，提出了群稀疏残差的概念，将图像去噪问题转化为降低群稀疏残差的问题。为了减少残差，首先通过对含噪图像的首通估计得到原始图像的组稀疏系数的一些较好的估计，然后将含噪图像的组稀疏系数集中到估计中。实验结果表明，该方法不仅优于许多国家的最先进的去噪方法，如BM3D和WNNM，但结果在更快的速度。
2017-03-03 cs.CV
Deep Learning for Image Denoising: A Survey
Harbin Institute of Technology（哈尔滨工业大学）；Guangdong University of Technology（广东工业大学）
自大数据分析和图形处理单元（GPU）提出以来，深度学习技术受到了极大的关注，并在图像处理领域得到了广泛的应用。本文旨在全面回顾和总结近年来提出的用于图像去噪的深度学习技术。同时，系统地分析了传统的机器学习方法在图像去噪中的应用。最后指出了深度学习技术在图像去噪中的研究方向。
2018-10-11 cs.CV
No-reference Image Denoising Quality Assessment
Portland State University（波特兰州立大学）
图像去噪方法种类繁多。然而，去噪算法的性能通常取决于单个输入噪声图像以及其参数设置。本文提出了一种无参考的图像去噪质量评价方法，该方法可以用于为输入的含噪图像选择具有最佳参数设置的正确去噪算法。这是一项具有挑战性的任务，因为没有地面实况可用。本文提出了一种数据驱动的方法来学习预测图像去噪质量。我们的方法是基于这样的观察，即虽然单独的现有质量指标和去噪模型不能对去噪结果进行鲁棒性排名，但它们通常是相互补充的。我们相应地基于这些现有的指标和模型设计去噪质量特征，然后使用随机森林回归将它们聚合成一个更强大的统一指标。我们对各种类型和噪声水平的图像进行的实验表明，我们的无参考去噪质量评估方法显着优于最先进的质量指标。本文还提供了一种方法，利用我们的质量评估方法自动调整输入噪声图像的去噪算法的参数设置，以产生最佳的去噪结果。
2018-10-13 cs.CV eess.IV
Image Denoising and Super-Resolution using Residual Learning of Deep Convolutional Network
Indian Institute of Science（印度科学学院）
图像超分辨率和去噪是图像处理中的两个重要任务，可以导致图像质量的改善。图像超分辨率是将低分辨率图像映射到高分辨率图像的任务，而去噪是从噪声输入中学习干净图像的任务。我们提出并训练一个深度学习网络，我们称之为SuRDCNN（超分辨率和去噪卷积神经网络），以同时执行这两项任务。我们的模型几乎复制了现有最先进的深度学习模型的架构，用于超分辨率和去噪。我们使用经过验证的剩余学习策略，并得到该领域最先进网络的支持。我们训练的SuRDCNN能够在存在高斯噪声，泊松噪声或这两种噪声的任何随机组合的情况下超分辨率图像。
2018-09-21 cs.CV
Group Sparse Coding for Image Denoising
The Australian National University（澳大利亚国立大学）
GSR [3]中的组稀疏表示在图像去模糊和图像修补方面取得了很好的效果，其成功的主要原因是利用了自然图像块之间的稀疏性和非局部自相似性（NSS），并解决了正则化优化问题。然而，直接自适应GSR[3]的图像去噪方法效果不稳定且不令人满意，为了克服这些问题，本文提出了一种渐进式的自适应GSR [3]模型的图像去噪算法，实验表明该算法的性能优于一些现有的方法。
2022-12-22 cs.CV
IDR: Self-Supervised Image Denoising via Iterative Data Refinement
The Chinese University of Hong Kong（香港中文大学）；SenseTime Research（商汤科技研究院）
由于缺乏大规模的噪声-干净图像对，制约了监督去噪方法在实际应用中的推广。虽然现有的无监督方法能够在没有真实干净图像的情况下学习图像去噪，但它们要么表现出较差的性能，要么在不切实际的设置下工作（例如，成对的噪声图像）。在本文中，我们提出了一种实用的无监督图像去噪方法，以实现最先进的去噪性能。该方法只需要单个噪声图像和一个噪声模型，在实际的原始图像去噪中很容易获得。它迭代地执行两个步骤：（1）从噪声模型构建具有随机噪声的噪声-噪声数据集;（2）在噪声-噪声数据集上训练模型，并使用训练的模型来细化噪声图像以获得下一轮中使用的目标。我们进一步近似我们的完整的迭代法与更有效的训练，同时保持其原有的高性能的快速算法。对真实世界、合成噪声和相关噪声的实验表明，我们提出的无监督去噪方法比现有的无监督方法具有更优越的性能，并且与监督方法具有竞争力。此外，我们认为现有的去噪数据集质量较低，并且仅包含少量场景。为了评估真实应用中的原始图像去噪性能，我们构建了一个包含500个真实场景的高质量原始图像数据集SenseNoise-500。该数据集可以作为更好地评估原始图像去噪的强大基准。代码和数据集将在https://github.com/zhangyi-3/IDR上发布
2022-03-22 cs.CV
Image Denoising via Style Disentanglement
Huazhong University of Science and Technology（华中科技大学）
该研究将噪声视为图像风格，设计损失与网络模块提取并引入无噪声风格，实现像素级噪声与内容解耦，在SIDD、DND等数据集上提升去噪性能并增强可解释性。
2023-09-26 cs.CV
Boosting in Image Quality Assessment
Georgia Institute of Technology（佐治亚理工学院）
本文分析了多方法融合的图像质量评价中Boosting的效果。现有的多方法研究集中在提出一个单一的质量估计。相反，我们研究的多方法融合作为一个框架的推广性。除了通常用于多方法融合的支持向量机之外，我们还建议在Boosting中使用神经网络。为了跨越不同类型的图像质量评估算法，我们使用基于保真度，感知扩展保真度，结构相似性，光谱相似性，颜色和学习的质量估计。在实验中，我们使用LIVE、多重失真LIVE和TID 2013数据库执行k折交叉验证，并通过基于准确性、线性度和排名的度量来测量图像质量评估算法的性能。基于实验，我们表明，提升方法一般提高图像质量评估的性能和提高的水平取决于类型的提升算法。我们的实验结果还表明，提高性能最差的质量估计与两个或两个以上的额外的方法，导致统计上显着的性能增强独立的提升技术和基于神经网络的提升优于基于支持向量机的提升时，两个或两个以上的方法融合。
2018-11-21 cs.CV cs.MM eess.IV
On the Relation between Color Image Denoising and Classification
ETH Zurich（苏黎世联邦理工学院）
大量的图像去噪文献主要集中在单通道图像上，并且通常最多在数十幅图像上对所提出的方法进行实验验证。本文研究了大规模数据集上去噪和分类之间的相互作用。受分类模型的启发，我们提出了一种用于彩色（多通道）图像去噪的新型深度学习架构，并报告了来自ImageNet数据集的数千张图像以及常用图像。我们研究了（足够的）训练数据的重要性，如何语义类信息可以被交易，以改善去噪结果。因此，我们的方法大大提高了PSNR性能的0.34 - 0.51 dB的大规模数据集上的最先进的方法平均。我们的结论是，这是有益的，纳入分类模型。另一方面，我们还研究了噪声如何影响分类性能。最后，我们得出了一些有趣的结论，有些是违反直觉的。
2017-04-05 cs.CV
Positive2Negative: Breaking the Information-Lossy Barrier in Self-Supervised Single Image Denoising
School of Computer Science and Technology, Beijing Institute of Technology（北京理工大学计算机科学与技术学院）；School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院）；Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院）
针对现有自监督单图像去噪范式依赖信息损失操作导致性能受限的问题，提出Positive2Negative范式，通过RDC和DCS两步法打破信息损失壁垒，实现了自监督单图像去噪的SOTA性能与显著速度提升。
2025-03-24 cs.CV
First image then video: A two-stage network for spatiotemporal video denoising
ZSky Technologies Inc（ZSky科技公司）；NanKai University（南开大学）；Chinese Academy of Sciences(CAS)（中国科学院）；Peng Cheng Laboratory(PCL)（鹏城实验室）
视频去噪是从噪声污染的数据中去除噪声，从而通过时空处理恢复真实信号。用于时空视频去噪的现有方法往往遭受运动模糊伪影，即，移动对象的边界往往显得模糊，尤其是当对象经历快速运动时，导致光流计算中断。在本文中，我们通过设计一个先图像后视频的两阶段去噪神经网络来解决这一挑战，该网络由一个图像去噪模块组成，用于在空间上减少帧内噪声，然后是一个常规的时空视频去噪模块。直觉是简单而强大和有效的：图像去噪的第一阶段有效地降低了噪声水平，因此，允许时空去噪的第二阶段更好地建模和学习无处不在，包括沿着移动对象边界。这种两阶段网络在以端到端的方式进行训练时，在去噪质量和计算方面都能在视频去噪基准Vimeo90K数据集上获得最先进的性能。它还实现了一种无监督方法，该方法可以实现与现有监督方法相当的性能。
2020-01-22 cs.CV
Boltzmann Machines and Denoising Autoencoders for Image Denoising
Aalto University School of Science（阿尔托大学理学院）
基于局部图像块的概率模型的图像去噪已被各种研究人员采用，最近Burger等人[2012]和Xie等人[2012]提出了一种深度（去噪）自动编码器，作为一种很好的模型。在本文中，我们提出了深度学习领域中另一种流行的模型家族，称为玻尔兹曼机，可以执行图像去噪，或者在某些高噪声水平的情况下，比去噪自动编码器更好。我们经验性地评估了这两种模型在三组不同类型和噪声水平的图像上的效果。在整个实验中，我们还研究了模型深度的影响。实验证实了我们的说法，并表明，性能可以通过添加更多的隐藏层，特别是当噪声水平高。
2013-03-04 cs.CV cs.LG stat.ML
Blind Universal Bayesian Image Denoising with Gaussian Noise Level Learning
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）
盲和通用图像去噪包括使用一个独特的模型，对任何噪声水平的图像进行去噪。它特别实用，因为在开发模型或测试时不需要知道噪声水平。我们提出了一种基于理论的盲和通用深度学习图像去噪器，用于去除加性高斯噪声。我们的网络基于最佳去噪解决方案，我们称之为融合去噪。它是在高斯图像先验假设下从理论上推导出来的。合成实验表明，我们的网络的泛化强度看不见的加性噪声水平。我们还采用融合去噪网络架构对真实图像进行图像去噪。我们的方法改善了真实世界的灰度加性图像去噪PSNR结果，用于训练噪声水平，并进一步提高了训练过程中看不到的噪声水平。它还提高了最先进的彩色图像去噪性能的每一个单一的噪声水平，平均0.1dB，无论是否训练。
2020-03-07 cs.CV eess.IV
Image denoising using group sparsity residual and external nonlocal self-similarity prior
Southeast University（东南大学）
非局部图像表示已被成功地应用于许多与图像相关的逆问题，包括去噪、去模糊和去块效应。然而，大多数重建方法只利用退化观测图像的非局部自相似性（NSS）先验，这是非常具有挑战性的潜在清洁图像重建。本文提出了一种新的基于群稀疏残差和外部NSS先验的图像去噪模型。为了提高图像去噪的性能，提出了群稀疏残差的概念，将图像去噪问题转化为降低群稀疏残差的问题。由于自然图像的组中包含了大量的NSS信息，本文利用基于高斯混合模型（GMM）学习的外部NSS先验对原始图像的组稀疏系数进行了较好的估计，并利用含噪图像的组稀疏系数对估计进行了近似。实验结果表明，该方法不仅优于许多国家的最先进的方法，但也提供了最好的定性去噪结果与更精细的细节和更少的振铃伪影。
2017-01-03 cs.CV
Connecting Image Denoising and High-Level Vision Tasks via Deep Learning
Beckman Institute（贝克曼研究所）；Facebook Inc.（脸书公司）；Texas A&M University（德克萨斯农工大学）
在传统的计算机视觉实践中，图像去噪和高级视觉任务通常是独立处理的，并且它们的连接是脆弱的。在本文中，我们将两者结合起来，并探讨它们之间的相互影响，重点是两个问题，即（1）图像去噪如何帮助改善高级视觉任务，以及（2）如何使用高级视觉任务的语义信息来指导图像去噪。首先，对于图像去噪，我们提出了一个卷积神经网络，其中卷积通过下采样和上采样操作在各种空间分辨率下进行，以融合和利用不同尺度上的上下文信息。其次，我们提出了一种深度神经网络解决方案，该解决方案级联了两个模块，分别用于图像去噪和各种高级任务，并使用联合损失通过反向传播仅更新去噪网络。我们的实验表明，一方面，所提出的去噪器具有通用性，以克服不同的高层次的视觉任务的性能下降。另一方面，在高层视觉信息的指导下，去噪网络产生更具视觉吸引力的结果。大量的实验证明了通过深度学习同时利用图像语义进行图像去噪和高级视觉任务的好处。代码可在线获取：https://github.com/Ding-Liu/DeepDenoising
2018-09-06 cs.CV
Poisson Image Denoising Using Best Linear Prediction: A Post-processing Framework
Instituto de Telecomunicações（葡萄牙电信研究所）；Instituto Superior Técnico, Universidade de Lisboa（里斯本大学高等理工学院）
在本文中，我们解决的问题去噪图像退化的泊松噪声。我们提出了一种新的基于最佳线性预测的补丁的方法来估计潜在的清洁图像。推导了泊松观测的简化预测公式，该公式需要底层干净斑块的协方差矩阵。我们使用的假设是，在一个邻域中的类似的补丁共享相同的协方差矩阵，我们使用现成的泊松去噪方法，以获得协方差矩阵的初始估计。我们的方法可以被看作是一个后处理步骤的泊松去噪方法和结果表明，它改善了相关的利润率的几个泊松去噪方法。
2018-03-01 cs.CV
CharFormer: A Glyph Fusion based Attentive Framework for High-precision Character Image Denoising
Jilin University（吉林大学）；University of Trento（特伦托大学）；ETH Zurich（苏黎世联邦理工学院）
在一般的字符图像源中普遍存在着退化图像，导致字符识别效果不理想。现有的方法致力于恢复退化的字符图像。然而，通过这些方法获得的去噪结果似乎并没有提高字符识别性能。这主要是因为目前的方法只关注像素级的信息，而忽略了字符的关键特征，如它的轮廓，导致在去噪过程中字符轮廓受损。在本文中，我们介绍了一种新的通用框架的基础上融合和注意力机制，即，CharFormer，用于精确恢复字符图像，而不改变其固有的字形。与现有框架不同，CharFormer引入了一个并行目标任务，用于捕获额外的信息并将其注入图像去噪主干，这将在字符图像去噪期间保持字符字形的一致性。此外，我们利用基于注意力的网络进行全局-局部特征交互，这将有助于处理盲去噪并提高去噪性能。我们在多个数据集上比较了CharFormer与最先进的方法。实验结果从定量和定性两个方面证明了CharFormer的优越性。
2022-07-19 cs.CV
Identifying Recurring Patterns with Deep Neural Networks for Natural Image Denoising
Washington University in St. Louis（圣路易斯华盛顿大学）
图像去噪方法必须隐式或显式地有效地对自然图像中出现的各种图案和纹理进行建模。这是具有挑战性的，即使对于利用深度神经网络训练回归以从噪声输入中清除图像的现代方法。一种方法是依靠“内部”图像统计，通过在输入图像本身中搜索类似的模式。在这项工作中，我们提出了一种用于自然图像去噪的新方法，该方法训练深度神经网络来确定噪声图像输入中的补丁是否具有共同的潜在模式。给定一对有噪声的补丁，我们的网络预测原始无噪声补丁的不同子带系数是否相似。去噪算法然后聚合匹配的系数以获得干净图像的初始估计。最后，该估计值与原始噪声图像一起作为输入提供给标准的基于回归的去噪网络。实验表明，我们的方法实现了最先进的彩色图像去噪性能，包括一个盲版本，该版本针对一系列噪声水平训练一个通用模型，并且不需要了解输入图像中的噪声水平。我们的方法在使用有限的训练数据进行训练时也具有明显的优势。
2019-12-10 cs.CV
When Image Denoising Meets High-Level Vision Tasks: A Deep Learning Approach
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Facebook Inc.（脸书公司）；Texas A&M University（得克萨斯农工大学）
传统上，图像去噪和高级视觉任务在计算机视觉中被分开处理。本文将二者结合起来进行研究，探讨二者之间的相互影响。首先，我们提出了一个卷积神经网络的图像去噪，达到了最先进的性能。其次，我们提出了一种深度神经网络解决方案，该解决方案级联了两个模块，分别用于图像去噪和各种高级任务，并使用联合损失通过反向传播仅更新去噪网络。我们证明，一方面，建议的去噪器具有通用性，以克服不同的高层次的视觉任务的性能下降。另一方面，在高层视觉信息的指导下，去噪网络可以产生更具视觉吸引力的结果。据我们所知，这是第一项研究通过深度学习同时利用图像语义进行图像去噪和高级视觉任务的好处的工作。该代码可在https://github.com/Ding-Liu/DeepDenoising上获得。
2018-04-16 cs.CV
JPEG Information Regularized Deep Image Prior for Denoising
Preferred Networks, Inc.（优选网络公司）；Graduate School of Informatics, Kyoto University（京都大学信息学研究生院）
针对深度图像先验（DIP）去噪需提前停止但无干净参考图的难题，提出用复原图像的JPEG文件大小作为噪声水平代理指标实现提前停止，验证了该指标的有效性。
2023-10-02 cs.CV eess.IV
A GA based Window Selection Methodology to Enhance Window based Multi wavelet transformation and thresholding aided CT image denoising technique
Bhaskar Engineering College（巴斯卡尔工程学院）
图像去噪越来越重要，特别是在计算机断层扫描（CT），这是一个重要的和最常见的模式，在医学成像。这主要是因为CT图像的质量决定了临床诊断的有效性。基于窗口的多小波变换和阈值法对CT图像进行去噪，取得了较好的去噪效果，但在窗口多小波变换和阈值法的去噪过程中，存在着窗口选择不合理的问题。通常，复制噪声图像的窗口更接近原始噪声图像的每个窗口是通过依次检查它们来获得的。这导致错过非常接近的窗口的可能性，因此在去噪技术的上述过程中需要增强。在本文中，我们提出了一个基于遗传算法的窗口选择方法，包括去噪技术。借助于基于遗传算法的窗口选择方法，以有效的方式提取与原始含噪图像的每个窗口非常接近的复制含噪图像的窗口。通过结合建议的基于遗传算法的窗口选择方法，去噪的CT图像进行有效的。最后，去噪技术与建议的基于遗传算法的窗口选择方法之间的比较。
2010-03-09 cs.CV
LIDIA: Lightweight Learned Image Denoising with Instance Adaptation
Technion Institute of Technology（以色列理工学院）；Google Research（谷歌研究院）
图像去噪是一个研究得很好的问题，已经发展了几十年。尽管有许多可用的去噪算法，但对简单，强大和快速的去噪器的追求仍然是一个活跃和充满活力的研究课题。领先的经典去噪方法通常被设计为通过对局部重叠补丁进行建模来利用图像中的内部结构，同时以无监督的方式进行操作。相比之下，这个领域最近的新来者是基于监督和通用神经网络的方法，它们完全绕过了这种建模，直接和全局地瞄准推理目标，同时往往非常深入和参数繁重。这项工作提出了一种新的轻量级的可学习架构的图像去噪，并提出了一个组合的监督和无监督的训练，第一个目标是一个通用的去噪器和第二个适应传入的图像。我们的架构嵌入了几个主要的概念，从经典的方法，依赖于补丁处理，利用非局部自相似性，利用表示稀疏性，并提供多尺度处理。我们提出的通用去噪器实现了接近最先进的结果，同时使用了一小部分的典型参数。此外，我们还介绍并演示了两种高效的方法，通过将这个通用网络适应输入图像，进一步提高去噪性能。
2020-03-15 cs.CV eess.IV
External Prior Guided Internal Prior Learning for Real-World Noisy Image Denoising
The Hong Kong Polytechnic University（香港理工大学）；The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））
现有的图像去噪方法大多从外部数据或含噪图像本身学习图像先验知识来去除噪声。然而，从外部数据学习的先验可能不适应于要去噪的图像，而从给定的噪声图像学习的先验可能由于被破坏的噪声的干扰而不准确。同时，真实图像中的噪声是非常复杂的，很难用高斯分布等简单分布来描述，这使得真实图像的去噪成为一个非常具有挑战性的问题。我们建议利用外部数据和给定的噪声图像中的信息，并开发一种外部先验指导的内部先验学习方法，用于现实世界的噪声图像去噪。我们首先从干净的自然图像的独立集学习外部先验。在学习的外部先验的帮助下，我们然后从给定的噪声图像中学习内部先验，以改进先验模型。外部和内部先验被配制成一组正交字典，以有效地重建所需的图像。在几个真实的噪声图像数据集上进行了大量的实验。所提出的方法表现出非常有竞争力的去噪性能，优于最先进的去噪方法，包括为现实世界的噪声图像设计的方法。
2018-10-15 cs.CV
A Critical Analysis of Patch Similarity Based Image Denoising Algorithms
Loughborough University London（拉夫堡大学伦敦校区）
图像去噪是一个经典的信号处理问题，在过去的二十年里，在图像处理界受到了极大的关注。大多数图像去噪算法都集中在非局部相似性的范例上，其中收集邻域中相似的图像块以建立重建的基础。通过严格的实验，本文回顾了基于非局部相似性的图像去噪算法发展的多个方面。首先，非局部相似性作为自然图像中存在的基本性质的概念没有得到足够的重视。其次，所开发的图像去噪算法是多个构建块的组合，使得它们之间的比较是一项繁琐的任务。最后，围绕图像去噪的大部分工作基于去噪图像和参考图像（受到加性高斯白噪声干扰）之间的峰值信噪比（PSNR）呈现性能结果。本文首先对非局部相似性及其在不同噪声水平下的有效性进行了统计分析，然后对不同的最先进的图像去噪算法进行了理论比较。最后，我们主张对方法进行彻底改革，在图像去噪算法的性能评估过程中纳入无参考图像质量测量和未处理图像（原始）。
2020-08-25 cs.CV cs.GR eess.IV
Deep Encoder-Decoder Neural Network for Fingerprint Image Denoising and Inpainting
Chongqing Normal University（重庆师范大学）
指纹图像去噪是指纹识别中非常重要的一步。为了提高指纹图像的去噪效果，设计了一种基于深度编解码器网络的指纹去噪算法，编码器子网学习含噪图像的指纹特征，解码器子网根据特征重构原始指纹图像实现去噪，同时在网络中使用扩张卷积，在不增加复杂度的情况下增加受体场，改善网络推理速度此外，通过引入残差学习，实现了网络不同层次的特征融合，进一步还原了指纹的细节特征，提高了去噪效果。实验结果表明，该算法能较好地恢复指纹图像的边缘、直线和曲线特征，与其他方法相比，具有更好的视觉效果和更高的峰值信噪比（PSNR）。
2020-05-03 cs.CV eess.IV
A Research and Strategy of Remote Sensing Image Denoising Algorithms
从卫星上下载的大部分原始数据是无用的，造成传输浪费，一种解决方案是直接在卫星上处理数据，然后只将处理后的结果传输到地面。图像处理是星载数据处理的主要内容，本文主要研究图像处理中的图像去噪问题。目前有许多高性能的去噪方法，然而，它们中的大多数依赖于先进的计算资源或丰富的地面图像。考虑到卫星计算资源的有限性和遥感图像的特点，本文对这些高性能的地面图像去噪方法进行了研究，并通过仿真实验对它们进行了比较，分析它们是否适用于卫星。根据分析结果，以天智一号卫星为例，提出了两种可行的星载图像去噪策略。
2019-05-24 cs.CV eess.IV
Zero-Shot CFC: Fast Real-World Image Denoising based on Cross-Frequency Consistency
School of Information Science and Technology（信息科学与技术学院）；Beijing University of Technology（北京理工大学）；Alibaba Cloud（阿里云）
本文提出基于跨频一致性的零样本去噪器ZSCFC，利用纹理跨频一致性而噪声不具备的特性，以超轻量网络和一致性损失实现单图快速真实去噪，性能与效率均优于现有方法。
2025-10-14 cs.CV
Multimodal Image Denoising based on Coupled Dictionary Learning
University College London（伦敦大学学院）
在本文中，我们提出了一种新的多模态图像去噪方法，在一个给定的图像模态下的指导图像模态的援助下，衰减高斯白加性噪声。耦合图像去噪方法包括两个阶段：耦合稀疏编码和重构。第一阶段执行联合稀疏变换的多模态图像相对于一组学习耦合字典，其次是收缩操作的稀疏表示。然后，在第二阶段中，收缩表示，连同耦合字典，有助于通过逆变换的去噪图像的重建。所提出的去噪方案展示了捕获不同数据模态的共同和独特特征的能力。这种能力使我们的方法更强大的指导和目标图像之间的不一致，从而克服了缺点，如纹理复制文物。在真实多模态图像上的实验表明，该方法能够更好地利用指导信息，在图像去噪任务中带来显着的好处，相对于最先进的。
2018-06-26 cs.CV
Stimulating Diffusion Model for Image Denoising via Adaptive Embedding and Ensembling
School of Computer Science and Technology, Beijing Institute of Technology（北京理工大学计算机科学与技术学院）；University of Science and Technology of China（中国科学技术大学）；School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院）
提出DMID策略，通过自适应嵌入和集成方法解决扩散模型图像去噪中的输入与内容不一致问题，在失真与感知指标上均达到SOTA。
2024-11-17 cs.CV
Restore from Restored: Single Image Denoising with Pseudo Clean Image
Hanyang University（汉阳大学）；NAVER LABS（NAVER实验室）；Chungnam National University（忠南国立大学）；SK T-Brain
在这项研究中，我们提出了一种简单有效的微调算法，称为“从恢复恢复”，它可以大大提高完全预训练的图像去噪网络的性能。许多监督去噪方法可以使用大型外部训练数据集产生令人满意的结果。然而，这些方法在使用给定测试图像中可用的内部信息方面具有限制。相比之下，最近的自监督方法可以通过利用来自特定测试输入的信息来去除输入图像中的噪声。然而，与监督方法相比，这样的方法在已知噪声类型（诸如高斯噪声）上显示出相对较低的性能。因此，为了结合外部和内部信息，我们在测试时使用伪训练集对完全预训练的去噪器进行微调。通过利用内部自相似补丁（即，补丁递归），基线网络可以适应给定的特定输入图像。我们证明，我们的方法可以很容易地在最先进的去噪网络上使用，并进一步提高了许多去噪基准数据集（包括真实的噪声图像）的性能。
2020-11-18 cs.CV
Rectifier Neural Network with a Dual-Pathway Architecture for Image Denoising
Shanghai Jiao Tong University（上海交通大学）
最近，基于tanh激活函数的深度神经网络在图像去噪方面显示出令人印象深刻的能力。在这封信中，我们尝试使用整流器函数代替tanh，并提出了一个双通道整流器神经网络，通过合并两个整流器神经元的反向输入和输出的权重在同一个隐藏层。我们驱动等效激活函数，并将其与相同网络架构下的图像去噪的一些典型激活函数进行比较。实验结果表明，我们的模型实现优越的性能更快，特别是当噪声很小。
2020-12-09 cs.CV
An ELU Network with Total Variation for Image Denoising
本文提出了一种新的卷积神经网络（CNN）用于图像去噪，它使用指数线性单元（ELU）作为激活函数。我们通过分析ELU与可训练非线性反应扩散模型（TNRD）和残差去噪的关系来研究ELU的适用性。另一方面，批量归一化（BN）是必不可少的残留去噪和收敛的目的。然而，BN和ELU的直接堆叠降低了CNN的性能。为了缓解这个问题，我们设计了一个创新的激活层和规范化层的组合，以利用和利用ELU网络，并讨论了相应的原理。此外，受最小化总变差（TV）可以应用于图像去噪的事实的启发，我们提出了TV正则化L2损失来评估迭代过程中的训练效果。最后，我们进行了广泛的实验，表明我们的模型优于一些最近和流行的高斯去噪方法与特定或随机噪声水平的灰度和彩色图像。
2017-08-14 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
Noise2Same: Optimizing A Self-Supervised Bound for Image Denoising
Texas A&M University（得克萨斯农工大学）
仅使用单个噪声图像学习去噪模型的自监督框架在各种图像去噪任务中表现出强大的能力和有前途的性能。现有的自监督去噪框架大多建立在相同的理论基础上，其中去噪模型需要是J不变的。然而，我们的分析表明，目前的理论和J-不变性可能导致降噪模型的性能降低。在这项工作中，我们介绍了Noise 2Same，一种新的自监督去噪框架。在Noise 2Same中，通过推导典型监督损失的自监督上界，提出了一种新的自监督损失。特别是，Noise 2Same既不需要J不变性，也不需要有关噪声模型的额外信息，可以用于更广泛的去噪应用中。我们从理论和实验上分析了我们提出的Noise 2 Same。实验结果表明，我们的Noise 2Same在去噪性能和训练效率方面明显优于以前的自监督去噪方法。我们的代码可在https://github.com/divelab/Noise2Same上获得。
2020-10-22 cs.CV cs.LG
Noise2Blur: Online Noise Extraction and Denoising
Xiamen University（厦门大学）；University of Science and Technology of China（中国科学技术大学）；Columbia University（哥伦比亚大学）
我们提出了一个新的框架，称为Noise 2Blur（N2 B），用于训练鲁棒的图像去噪模型，而无需预先收集成对的噪声/干净图像。该模型的训练只需要一些（甚至一个）噪声图像，一些随机的未配对的干净图像，和无噪声，但模糊的标签通过预定义的噪声图像的过滤获得。N2 B模型由两部分组成：去噪网络和噪声提取网络。首先，噪声提取网络在模糊标签的指导下学习使用来自去噪网络的噪声信息输出噪声图。然后，将噪声图添加到干净图像以生成新的“噪声/干净”图像对。使用新的图像对，去噪网络学习从嘈杂的观察中生成干净和高质量的图像。这两个网络同时训练，相互帮助，学习噪声到清洁/模糊的映射。几个去噪任务的实验表明，N2 B的去噪性能接近于用预先收集的配对数据训练的其他去噪CNN。
2020-05-14 cs.CV eess.IV
FSID: Fully Synthetic Image Denoising via Procedural Scene Generation
Meta Reality Labs（元宇宙现实实验室）
对于低级计算机视觉和图像处理ML任务，在大型数据集上进行训练对于泛化至关重要。然而，依赖于主要来自互联网的真实世界图像的标准实践带来了图像质量、可扩展性和隐私问题，特别是在商业环境中。为了解决这个问题，我们已经开发了一个程序化的合成数据生成管道和数据集，为低级视觉任务量身定制。我们基于Unreal引擎的合成数据管道通过随机3D对象、材质和几何变换的组合以算法方式填充大型场景。然后，我们校准的相机噪声配置文件合成的噪声图像。从这个管道中，我们生成了一个完全合成的图像去噪数据集（FSID），其中包含175，000个噪声/干净图像对。然后，我们训练并验证了一个基于CNN的去噪模型，并证明了在智能手机摄像头捕获的真实噪声图像上进行评估时，仅在此合成数据上训练的模型可以实现有竞争力的去噪结果。
2022-12-07 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
FFDNet: Toward a Fast and Flexible Solution for CNN based Image Denoising
Harbin Institute of Technology（哈尔滨工业大学）；The Hong Kong Polytechnic University（香港理工大学）
鉴别学习方法由于其推理速度快、性能好等优点，在图像去噪中得到了广泛的研究。然而，这些方法大多为每个噪声水平学习特定的模型，并且需要多个模型来对具有不同噪声水平的图像进行去噪。它们也缺乏处理空间变化噪声的灵活性，限制了它们在实际去噪中的应用。为了解决这些问题，我们提出了一种快速灵活的去噪卷积神经网络，即FFDNet，以可调的噪声水平图作为输入。所提出的FFDNet适用于下采样的子图像，在推理速度和去噪性能之间实现了良好的权衡。与现有的判别去噪器相比，FFDNet具有几个理想的特性，包括（i）处理宽范围噪声水平的能力（即，[0，75]）有效地与一个单一的网络，（ii）通过指定一个非均匀的噪声水平地图，以消除空间变化的噪声的能力，和（iii）更快的速度比基准BM3D即使在CPU上，而不牺牲去噪性能。对合成和真实噪声图像进行了广泛的实验，以评估FFDNet与最先进的去噪器的比较。结果表明，FFDNet是有效的和高效的，使其非常有吸引力的实际去噪应用。
2018-05-22 cs.CV
Dilated Deep Residual Network for Image Denoising
卷积神经网络（CNN）等深度神经网络的变体已成功应用于图像去噪。目标是在给定由噪声图像和干净图像对组成的训练数据的情况下，自动学习从噪声图像到干净图像的映射。大多数现有的用于图像去噪的CNN模型具有许多层。在这种情况下，模型涉及大量的参数，并且对于训练来说在计算上是昂贵的。在本文中，我们开发了一个扩张的残差CNN高斯图像去噪。与最近提出的残差去噪方法相比，我们的方法可以以更少的计算成本达到相当的性能。具体地说，我们通过在残差网络中采用扩张卷积来扩大感受野，并将扩张因子设置为一定值。我们利用适当的零填充来使输出的维度与输入相同。实验证明，感受野的扩大可以提高CNN在图像分类中的性能，并且我们进一步证明，它也可以导致去噪问题的竞争性能。此外，我们提出了一个公式来计算感受野大小时，扩张卷积。因此，可以从数学上解释感受野的变化。为了验证我们的方法的有效性，我们进行了广泛的实验，灰度和彩色图像去噪特定或随机噪声水平。与最先进的基线相比，定量测量和去噪的视觉结果都是有希望的。
2017-09-27 cs.CV
Masked and Shuffled Blind Spot Denoising for Real-World Images
University of Bern（伯尔尼大学）
针对真实图像的相关噪声问题，提出基于盲点去噪原理的MASH方法，通过分析输入掩码程度与噪声相关性的关系、引入混洗技术削弱噪声局部相关性提升去噪效果，实验表明其性能优于或持平现有自监督去噪方法。
2024-04-15 cs.CV cs.LG
Self-Verification in Image Denoising
Xiamen University（厦门大学）；South China University of Technology（华南理工大学）；Columbia University（哥伦比亚大学）
我们设计了一种新的正则化方法，称为自验证，用于图像去噪。这种正则化是使用网络学习的深度图像先验而不是传统的预定义先验来制定的。具体来说，我们将网络的输出视为“先验”，在“重新噪声化”之后再次去噪。再次去噪后的图像与其先验图像之间的比较可以解释为网络去噪能力的自我验证。我们证明了自我验证鼓励网络捕获恢复图像所需的低级图像统计信息。基于这种自验证正则化，我们进一步证明了网络可以学习去噪，即使它没有看到任何干净的图像。这种学习策略是自监督的，我们称之为自验证图像去噪（SVID）。SVID可以被看作是基于学习的方法和传统的基于模型的去噪方法的混合，其中正则化是使用网络的输出自适应地制定的。我们只使用观察到的损坏数据的SVID各种去噪任务的应用程序。它可以实现接近监督CNN的去噪性能。
2021-11-01 cs.CV eess.IV
Temporal As a Plugin: Unsupervised Video Denoising with Pre-Trained Image Denoisers
Nanyang Technological University（南洋理工大学）
针对配对视频数据获取难的问题，提出将可调时序模块集成到预训练图像去噪器的TAP无监督视频去噪框架，结合渐进式微调策略，在sRGB和原始视频数据集上实现更优去噪效果。
2024-09-17 cs.CV eess.IV
Three-dimensional Optical Coherence Tomography Image Denoising through Multi-input Fully-Convolutional Networks
University of Isfahan（伊斯法罕大学）；Hunan University（湖南大学）；Isfahan University of Medical Sciences（伊斯法罕医科大学）；Sichuan University（四川大学）
近年来，人们越来越关注将卷积神经网络（CNN）应用于低级别视觉任务，如去噪和超分辨率。由于光学相干层析成像（OCT）图像形成过程的相干性，不可避免地会受到噪声的影响。提出了一种新的OCT图像去噪方法--多输入全卷积网络（MIFCN）。与最近提出的自然图像去噪CNN相比，所提出的架构允许通过多个FCN的逐像素融合来利用相邻OCT图像之间的高度相关性和互补信息。所提出的多输入架构的参数通过考虑整体输出和每个输入图像的贡献之间的一致性来学习。建议的MIFCN方法进行了比较与国家的最先进的去噪方法，通过对OCT图像的正常和年龄相关性黄斑变性的眼睛在定量和定性的方式。
2019-01-26 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
Learning to Translate Noise for Robust Image Denoising
Seoul National University（首尔大学）；Meta
本文提出噪声翻译框架，通过将复杂噪声转换为高斯噪声以提升图像去噪的鲁棒性和泛化能力，采用预训练的去噪网络实现一致的去噪效果。
2026-04-02 cs.CV eess.IV
Self-Supervised Learning based CT Denoising using Pseudo-CT Image Pairs
DGIST（大邱庆北科学技术院）
最近，已经提出了能够执行图像去噪而无需地面真值标签的自监督学习方法。这些方法通过向图像添加随机或高斯噪声来创建低质量图像，然后训练用于去噪的模型。理想情况下，如果可以通过自我监督仅用少量训练样本生成高质量的CT图像，这将是有益的。然而，由于CT噪声的复杂性，CT去噪的性能通常受到限制。为了解决这个问题，我们提出了一种新的基于自监督学习的CT去噪方法。特别地，我们训练预训练CT去噪和噪声模型，其可以使用可用的LDCT和正常剂量CT（NDCT）对来预测来自低剂量CT（LDCT）的CT噪声。对于给定的测试LDCT，我们使用预训练的去噪和噪声模型生成伪LDCT和NDCT对，然后使用这些对更新去噪模型的参数以去除测试LDCT中的噪声。为了制作逼真的伪LDCT，我们从单个图像中训练多个噪声模型，并使用噪声模型的集合来生成噪声。我们在2016年AAPM低剂量CT大挑战数据集上评估了我们的方法。所提出的集成噪声模型可以生成逼真的CT噪声，因此我们的方法显着提高了现有的去噪模型训练的监督和自监督学习的去噪性能。
2021-04-06 cs.CV eess.IV
LINN: Lifting Inspired Invertible Neural Network for Image Denoising
Imperial College London（伦敦帝国理工学院）
在本文中，我们提出了一个可逆的神经网络图像去噪（DnINN）的启发基于变换的去噪框架。建议DnINN由一个可逆的神经网络称为LINN，其架构的灵感来自小波理论中的提升方案和稀疏驱动的去噪网络，用于从变换系数中去除噪声。使用单个软阈值操作或使用学习的迭代收缩阈值网络来执行去噪操作。LINN的前向传递产生更适合去噪的过完备表示。使用LINN的反向传递，使用去噪网络的输出来重建去噪图像。仿真结果表明，所提出的DnINN方法实现了与DnCNN方法相当的结果，同时只需要1/4的可学习参数。
2021-05-07 cs.CV eess.IV
PET image denoising based on denoising diffusion probabilistic models
Gordon Center for Medical Imaging, Massachusetts General Hospital, Harvard Medical School（哈佛医学院麻省总医院戈登医学成像中心）；Center for Advanced Medical Computing and Analysis, Massachusetts General Hospital, Harvard Medical School（哈佛医学院麻省总医院高级医学计算与分析中心）；University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心）
由于各种物理退化因素和有限的计数，PET图像质量需要进一步改善。去噪扩散概率模型（DDPM）是一种基于分布学习的模型，它试图通过迭代细化将正态分布转换为特定的数据分布。在这项工作中，我们提出并评估了不同的DDPM为基础的PET图像去噪的方法。在DDPM框架下，执行PET图像去噪的单向式是提供PET图像和/或先验图像作为网络输入。另一种方式是将先验图像作为输入与细化步骤中包括的PET图像一起提供，这可以适合于不同噪声水平的场景。利用120个18F-FDG数据集和140个18F-MK-6240数据集来评估所提出的基于DDPM的方法。量化结果表明，包含PET信息的DDPM框架可以产生比非局部均值和基于Unet的去噪方法更好的结果。在模型中添加额外的MR先验可以帮助实现更好的性能，并进一步降低图像去噪期间的不确定性。仅依赖MR先验而忽略PET信息会导致较大的偏倚。区域和表面量化表明，采用MR先验知识作为网络输入，同时在推理过程中嵌入PET图像作为数据一致性约束，可以实现最佳性能。总之，基于DDPM的PET图像去噪是一个灵活的框架，它可以有效地利用先验信息，并实现比非局部均值和基于Unet的去噪方法更好的性能。
2022-09-14 cs.CV eess.IV physics.med-ph
Multi-channel Weighted Nuclear Norm Minimization for Real Color Image Denoising
The Hong Kong Polytechnic University（香港理工大学）；Xidian University（西安电子科技大学）
现有的去噪算法大多是针对灰度图像开发的，而将其扩展到彩色图像去噪则不是一件简单的工作，因为真实噪声图像的R、G、B通道的噪声统计特性可能会有很大的不同。在本文中，我们提出了一个多通道（MC）的优化模型下的加权核范数最小化（WNNM）的框架下，真正的彩色图像去噪。我们连接RGB补丁，以利用通道冗余，并引入一个权重矩阵，以平衡的数据保真度的三个通道，考虑到他们不同的噪声统计。所提出的MC-WNNM模型没有解析解。我们将其转化为一个线性等式约束问题，并用交替方向乘子法求解。每一步交替更新都有封闭解，且能保证收敛性。在合成和真实噪声图像数据集上的大量实验证明了所提出的MC-WNNM比最先进的去噪方法的优越性。
2018-12-18 cs.CV
An approach to image denoising using manifold approximation without clean images
Indian Institute of Technology, Bombay（孟买印度理工学院）
图像复原一直是众多领域广泛研究的课题。随着深度学习的出现，许多当前的算法被更灵活和更鲁棒的算法所取代。深度网络在盲去噪、图像增强、去模糊、超分辨率、修复等各种任务中表现出令人印象深刻的性能。大多数基于学习的算法在训练过程中使用大量干净的数据。然而，在医学图像处理中的某些应用中，人们可能无法访问大量的干净数据。在本文中，我们提出了一种去噪方法，该方法试图通过将噪声数据推到干净的数据流形附近来学习去噪过程，在训练过程中只使用噪声图像。此外，我们使用感知损失项和迭代细化步骤来进一步细化干净的图像，而不会丢失重要的特征。
2019-04-28 cs.CV eess.IV
Block-Matching Convolutional Neural Network for Image Denoising
Seoul National University（首尔大学）
目前图像去噪算法主要有两种：基于非局部自相似性（NSS）先验的方法和基于卷积神经网络（CNN）的方法。基于NSS的方法在具有规则和重复图案的图像上是有利的，而基于CNN的方法在不规则结构上表现得更好。在本文中，我们提出了一个块匹配卷积神经网络（BM CNN）的方法，结合NSS先验和CNN。最初，输入图像中的相似局部块被集成到3D块中。为了防止噪声干扰块匹配，我们首先将现有的去噪算法应用于噪声图像。该算法首先将去噪后的图像作为块匹配的导频信号，然后通过CNN结构学习该块的去噪函数。实验结果表明，所提出的BMCNN算法达到了最先进的性能。详细地说，BMCNN可以恢复重复和不规则的结构。
2017-04-03 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
Score Priors Guided Deep Variational Inference for Unsupervised Real-World Single Image Denoising
Huazhong University of Science and Technology（华中科技大学）
本文提出ScoreDVI方法，通过分数先验引导的深度变分推断解决真实世界单图像去噪问题，利用非独立同分布高斯混合模型建模噪声，并引入噪声感知先验分配策略，在单图像去噪上超越同类方法并达到数据集级无监督方法的性能。
2023-08-09 cs.CV
Image denoising with multi-layer perceptrons, part 2: training trade-offs and analysis of their mechanisms
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
图像去噪可以被描述为从含噪图像到无噪图像的映射问题。在另一篇论文中，我们证明了多层感知器可以对各种类型的噪声（加性高斯白噪声，混合泊松-高斯噪声，JPEG伪影，椒盐噪声和类似条纹的噪声）实现出色的图像去噪性能。在这项工作中，我们详细讨论了在训练过程中必须考虑的权衡。我们将展示如何获得良好的结果以及要避免哪些陷阱。通过分析隐藏单元的激活模式，我们能够观察到用于图像去噪的多层感知器的工作原理。
2012-11-07 cs.CV cs.LG
