Multi-Scale Anisotropic Fourth-Order Diffusion Improves Ridge and Valley Localization
Hochschule Trier（特里尔应用技术大学）；University of Bonn（波恩大学）
脊和谷增强滤波器被广泛用于诸如医学图像计算中的血管检测的应用中。当图像因噪声而退化或包括不同尺度的血管时，这种滤波器是有意义和稳定的血管定位的重要步骤。在这项工作中，我们提出了一种新的多尺度各向异性四阶扩散方程，使我们能够沿着血管平滑，同时在正交方向锐化它们。建议的过滤器使用四阶扩散张量，其特征张量和特征值是从本地Hessian矩阵确定的，在自动选择每个像素的规模。我们讨论了高效的实现，使用快速显式扩散方案，并证明结果的合成图像和血管眼底图像。与以前的各向同性和各向异性四阶滤波器以及已建立的二阶血管增强滤波器相比，我们新提出的滤波器在所有情况下都能更好地恢复中心线。
2017-04-18 cs.CV
Efficient Fruit Defect Detection and Glare removal Algorithm by anisotropic diffusion and 2D Gabor filter
本文主要研究了基于形态学的水果缺陷检测和眩光去除，眩光去除是一个重要的预处理步骤，因为不均匀的光照会引入图像中，影响Gabor滤波器分割的结果，眩光问题有时会非常突出，这是由于摄像机传感器的异常反射或杂散光的进入，该方法抵消了这个问题，并且使得缺陷检测更加明显。各向异性扩散用于进一步平滑图像并去除图像中的高能量区域，以更好地检测缺陷并使缺陷更可检索。我们的算法是鲁棒性和可扩展性的一个特定的眩光去除掩模的可利用性已被检查，并证明是有用的抵消。这个问题，各向异性扩散进一步提高了缺陷与它的使用进一步优化Gabor滤波器在各种方向用于缺陷检测。
2012-04-04 cs.CV
Analysis of Multiscale Wavelet-based Fractional Gradient-Anisotropic Diffusion Fusion for single hazy and underwater image enhancement
University of Nigeria, Nsukka（尼日利亚大学恩苏卡分校）
本文提出了一种基于多尺度小波变换的单幅图像去雾和水下图像增强方法。该方案是快速和高度本地化，除了全球增强模糊图像。基于PDE的公式实现了额外的多功能性，因为迭代性质允许各种类型的图像具有更大的灵活性。视觉和客观的实验结果表明，所提出的方法竞争有利或超过大多数国家的最先进的方法。
2021-11-10 cs.CV
SAR and Optical data fusion based on Anisotropic Diffusion with PCA and Classification using Patch-based with LBP
National Institute of Technology, Kurukshetra（国立库鲁克谢特拉技术学院）
SAR（VV和VH偏振）和光学数据被广泛用于图像融合，以利用彼此的互补信息，获得更好质量的图像（在空间和光谱特征方面），以改善分类结果。本文采用各向异性扩散结合主成分分析的方法对SAR和光学数据进行融合，并采用基于块的支持向量机分类结合LBP（LBP-PSVM）。使用所考虑的融合方法，VV偏振的融合结果优于VH偏振。对于分类，LBP-PSVM使用S1（VV）与S2，S1（VH）与S2的性能分别与SVM分类器（无补丁）和PSVM分类器（有补丁）进行了比较。分类结果表明，LBP-PSVM分类器是更有效的SVM和PSVM分类器相比，所考虑的数据。
2021-01-20 cs.CV
3D-Mesh denoising using an improved vertex based anisotropic diffusion
University of Mohammed V-Agdal（穆罕默德五世阿格达尔大学）；DESTEC LRIT；UA CNRST；FLSHR
提出了一种改进的基于顶点的非线性扩散去噪算法。该方法使用拉普拉斯、约化中心高斯和瑞利概率密度函数作为扩散系数直接过滤顶点的位置。这些PDF的使用提高了基于顶点的扩散方法的性能，该方法适用于底层网格结构。我们还比较了所提出的方法与其他网格去噪方法，如拉普拉斯流，均值，中值，最小值和自适应MMSE滤波。为了评估这些过滤方法，我们使用两个误差度量。第一个基于顶点，第二个基于法线。实验结果表明，我们提出的方法与现有的方法相比，有效性。
2010-09-23 cs.CV
Analysis of the Entropy-guided Switching Trimmed Mean Deviation-based Anisotropic Diffusion filter
University of Nigeria Nsukka（尼日利亚大学恩苏卡分校）
本报告描述了一个建议的开关滤波器各向异性扩散混合滤波的固定值（盐和胡椒）脉冲噪声（FVIN）的实验分析。该滤波器在低噪声密度和高噪声密度下都能很好地工作，尽管它是专门为高噪声密度水平设计的。该滤波器结合了基于决策的滤波器的切换机制和基于偏微分方程的公式，以产生能够在非常高的噪声水平下恢复图像信号的功能强大的系统。实验结果表明，该滤波器优于其他滤波器，特别是在非常高的噪声水平。此外，其自适应性质确保了性能由从噪声输入图像获得的度量指导。滤波器算法具有全局和局部性质，其中选择前者以减少计算时间和复杂度，而后者用于获得最佳结果。
2016-11-14 cs.CV
Non-local Operational Anisotropic Diffusion Filter
Federal University of São Paulo（圣保罗联邦大学）；A.C. Camargo Cancer Center（A.C.卡马戈癌症中心）
高频噪声存在于医学图像的几种模态中。它源于采集过程，可能与扫描仪配置、被扫描身体或其他外部因素有关。这样，前瞻性滤波器是提高图像质量的重要工具。在本文中，我们提出了一个非局部加权操作各向异性扩散滤波器，并评估其效果的磁共振图像和kV/CBCT放射治疗图像。我们还提供了一个详细的分析非局部参数设置。结果表明，新的滤波器增强了以前的局部实现，并在放射治疗中有潜在的应用。
2018-12-11 cs.CV eess.IV
Variational Trajectory Optimization of Anisotropic Diffusion Schedules
Department of Electrical and Computer Engineering（电气与计算机工程系）；Duke University（杜克大学）
本文提出了一种基于变分轨迹优化的非各向同性扩散模型，通过矩阵值路径优化噪声计划，提升扩散模型的性能。
2026-02-23 cs.CV cs.LG
Image decomposition with anisotropic diffusion applied to leaf-texture analysis
Physics Institute of São Carlos (IFSC)（圣卡洛斯物理研究所（IFSC））；University of São Paulo (USP)（圣保罗大学（USP））
纹理分析是计算机视觉领域的一个重要研究领域。提出了一种基于偏微分方程（PDE）的纹理建模方法。每个图像$f$被分解成一系列导出的子图像。将$f$分割为利用各向异性扩散获得的$u$分量和通过原始图像与$u$分量之间的差计算的$v$分量。在增强图像的纹理属性$v$之后，计算Gabor特征作为描述符。我们验证了所提出的方法在两个纹理数据集具有高变异性。我们还评估了我们的方法在一个重要的现实世界中的应用：叶纹理分析。实验结果表明，我们的方法可以用来产生较高的分类率，并可以成功地用于不同的纹理应用。
2012-01-19 cs.CV
Learning What Matters: Steering Diffusion via Spectrally Anisotropic Forward Noise
Mila - Quebec AI Institute and Université de Montréal（蒙特利尔大学）
本研究提出频谱各向异性高斯扩散（SAGD），通过调整前向噪声的频谱特性，提升扩散模型对目标分布的适应能力，并在多个视觉数据集上验证了其有效性。
2025-12-10 cs.AI cs.CV cs.LG
Guided Anisotropic Diffusion and Iterative Learning for Weakly Supervised Change Detection
ONERA（法国航空航天研究院）；Télécom ParisTech（巴黎高等电信学院）
从用户标签或公开可用的数据创建的大规模数据集对于为大规模学习算法提供训练数据已经变得至关重要。虽然这些数据集更容易获得，但数据通常是嘈杂和不可靠的，这激发了对弱监督学习技术的研究。在本文中，我们提出了一种迭代学习方法，提取有用的信息，从一个大规模的变化检测数据集产生的开放矢量数据训练一个完全卷积网络，它超越了朴素的监督学习所获得的性能。我们还提出了引导各向异性扩散算法，它改善了语义分割的结果，使用输入图像作为指导，执行边缘保持滤波，并与迭代训练方法结合使用，以改善结果。
2019-04-17 cs.CV cs.LG
Guided Depth Super-Resolution by Deep Anisotropic Diffusion
ETH Zurich（苏黎世联邦理工学院）
使用来自RGB图像的引导来执行深度图像的超分辨率是涉及诸如机器人、医学成像和遥感的若干领域的问题。虽然深度学习方法在这个问题上取得了很好的效果，但最近的工作强调了将现代方法与更正式的框架相结合的价值。在这项工作中，我们提出了一种新的方法，该方法将引导各向异性扩散与深度卷积网络相结合，并推进了引导深度超分辨率的最新技术。扩散的边缘转移/增强特性通过现代网络的上下文推理能力得到增强，并且严格的调整步骤保证了对源图像的完美坚持。我们在三个常用的基准引导深度超分辨率取得了前所未有的结果。与其他方法相比，性能增益在更大的尺度下（如x32缩放）最大。所提出的方法的代码（https：//github.com/prs-eth/Diffusion-Super-Resolution）可用于提高我们结果的可重复性。
2023-03-28 cs.AI cs.CV
Discontinuous and Smooth Depth Completion with Binary Anisotropic Diffusion Tensor
University of Tokyo（东京大学）；Nippon Telegraph and Telephone Corporation（日本电报电话公司）
我们提出了一个无监督的实时密集深度完成稀疏深度图指导下的一个单一的图像。我们的方法生成平滑的深度图，同时保留不同对象之间的不连续性。我们的核心思想是一个二元各向异性扩散张量（B-ADT），它可以完全消除光滑约束在预期的位置和方向，通过将其应用到变分正则化。我们还提出了一个图像引导的最近邻搜索（IGNNS），以获得一个分段恒定的深度图，用于B-ADT推导和变分能量的数据项。我们的实验表明，我们的方法可以优于以前的无监督和半监督深度完成方法的准确性。此外，由于我们得到的深度图保留了对象之间的不连续性，因此可以将结果转换为视觉上合理的点云。这是值得注意的，因为以前的方法产生不自然的表面不连续的对象之间的文物。
2020-06-25 cs.CV cs.RO
