Linearized ADMM and Fast Nonlocal Denoising for Efficient Plug-and-Play Restoration
Indian Institute of Science(印度科学学院)
在即插即用的图像复原中,使用诸如非局部均值(NLM)或BM 3D的强大去噪器来执行正则化。这是在交替方向乘法器(ADMM)的框架内完成的,其中正则化步骤被正式替换为现成的去噪器。每次即插即用迭代都涉及前向模型的反演,然后是去噪步骤。在本文中,我们提出了一些想法,以提高效率的反演和去噪步骤。首先,我们建议使用线性ADMM,这通常允许我们以比标准ADMM更低的成本执行反演。此外,我们可以很容易地将硬约束纳入优化框架。其次,我们开发了一种双随机NLM的快速算法,最初由Sreehari等人提出(IEEE TCI,2016),比蛮力计算快80倍。这个特殊的去噪器可以表示为凸正则化器的邻近映射,因此,我们可以保证线性化即插即用ADMM的收敛性。我们证明了我们的超分辨率和单光子成像的建议的有效性。
2019-01-18 cs.CV
SS-BSN: Attentive Blind-Spot Network for Self-Supervised Denoising with Nonlocal Self-Similarity
University of Seoul(首尔大学);Vieworks(Vieworks公司)
本文提出轻量级自相似性注意力模块(SS-Attention)以捕获非局部自相似性,并将其集成至盲点网络构建SS-BSN,在SIDD和DND基准上实现了更优的自监督图像去噪性能。
2023-05-17 cs.CV cs.LG
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
Color image denoising by chromatic edges based vector valued diffusion
University of Missouri-Columbia(密苏里大学哥伦比亚分校);Instituto de Telecomunicações(电信研究所);University of Beira Interior(贝拉内陆大学)
在这封信中,我们提出了一种改进的几何扩散方案,通过数字彩色图像去噪。通过将从所有三个颜色通道检测到的边缘引入到扩散中,所提出的方案避免了颜色拖尾伪影。采用矢量扩散控制平滑,并考虑了彩色图像的几何特性。引入了从不同平面计算的彩色边缘强度函数,阻止了彩色边缘间的扩散。实验结果表明,与其他相关方案相比,该方案在去噪的同时保持了边缘。
2013-05-15 cs.CV
Defense against adversarial attacks on deep convolutional neural networks through nonlocal denoising
Universiti Brunei Darussalam(文莱达鲁萨兰大学)
尽管网络架构性能有了实质性的进步,但对抗攻击的敏感性使得深度学习在安全关键型应用中的实现具有挑战性。本文提出了一种以数据为中心的方法来解决这个问题。具有不同亮度值的非局部去噪方法已被用于从修改的国家标准与技术研究所数据库(MNIST)和加拿大高级研究所(CIFAR-10)数据集生成对抗性示例。扰动下,该方法提供了高达9.3%的MNIST数据集和13%的CIFAR-10数据集的绝对精度提高。使用具有较高亮度值的变换图像进行训练增加了分类器的鲁棒性。我们已经证明了迁移学习对于对抗性机器学习是不利的。结果表明,简单的对抗性示例可以提高弹性,并使深度学习更容易应用于各种应用程序。
2022-06-25 cs.CR cs.CV cs.LG
Fast, nonlocal and neural: a lightweight high quality solution to image denoising
School of Mathematical Science, Inner Mongolia University(内蒙古大学数学科学学院);Centre Borelli, ENS Paris-Saclay, CNRS(巴黎萨克雷高等师范学院博雷利中心、法国国家科学研究中心)
针对卷积神经网络去噪计算量大、易过度平滑规则纹理的问题,提出结合非局部算法与轻量级残差CNN的去噪方案,实现低计算量下的高性能去噪,速度提升显著且在复杂纹理图像上效果突出。
2024-03-06 cs.CV eess.IV
A Complex Constrained Total Variation Image Denoising Algorithm with Application to Phase Retrieval
Tsinghua University(清华大学)
本文研究复值图像的约束全变分去噪问题。我们将实值图像的TV矩阵的定义扩展到复值图像。特别是,我们介绍了两种类型的复杂电视在各向同性和各向异性的形式。为了解决约束去噪问题,我们采用了一种对偶方法,并推导出一种加速梯度投影算法。我们进一步推广所提出的去噪算法作为近端梯度方案的关键构建块,以解决具有TV正则化器的大量复杂约束优化问题。作为一个例子,我们提出的算法框架相位检索。我们结合了复杂的电视正则化与传统的基于投影的方法内的约束复杂的电视模型。模拟和光学实验的初步结果表明,约束TV模型在提取复值图像的稀疏先验的有效性,同时还利用物理上易于处理的约束,有助于加快收敛。
2021-09-12 cs.CV eess.IV
Closed-Form Nonlocal Shrinkage for Multiplicative Image Denoising and SAR Despeckling
School of Electronic Engineering, Xidian University(西安电子科技大学电子工程学院);Kunshan Innovation Institute of Xidian University(西安电子科技大学昆山创新研究院);University of Montenegro(黑山大学);KTH Royal Institute of Technology(瑞典皇家理工学院);Macquarie University(麦考瑞大学)
本文提出一种几何校准闭式收缩的非局部稀疏估计器,无需训练,在SAR去噪的PSNR/SSIM及比值图像偏差指标上优于多数现有方法。
2026-09-09 cs.CV
Non-Convex Weighted Lp Minimization based Group Sparse Representation Framework for Image Denoising
Nanjing University(南京大学);Southeast University(东南大学)
非局部图像表示或组稀疏性在各种低级视觉任务中引起了相当大的兴趣,并导致了几种最先进的图像去噪技术,如BM 3D,LSSC。在过去,凸优化与稀疏促进凸正则化通常被认为是一个标准的计划,估计稀疏信号在噪声中。然而,在一些实际问题中,包括图像反问题,使用凸正则化仍然不能得到正确的稀疏解。在本文中,我们提出了一个非凸加权$\ell_p$最小化为基础的组稀疏表示(GSR)的图像去噪框架。为了使所提出的方案易于处理和鲁棒性,采用广义软阈值(GST)算法来解决非凸$\ell_p$最小化问题。此外,为了提高非局部相似块选择的准确性,提出了一种自适应块搜索(APS)方法。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,但也导致在竞争的速度。
2017-05-23 cs.CV
Holistic Processing of Colour Images Using Novel Quaternion-Valued Wavelets on the Plane
University of Helsinki(赫尔辛基大学);University of Newcastle(纽卡斯尔大学)
本文提出基于新型平面四元数值小波的彩色图像分解与重建方法,并验证其在压缩、增强、分割和去噪任务中的有效性,为端到端四元数图像处理提供了有前景的工具。
2024-01-11 cs.CV cs.NA math.NA
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
Group Sparsity Residual Constraint for Image Denoising
Nanjing University(南京大学);Southeast University(东南大学);University of Oulu(奥卢大学)
基于组的稀疏表示在图像去噪中显示出巨大的潜力。然而,大多数现有的方法只考虑噪声输入图像的非局部自相似性(NSS)先验。也就是说,仅从退化输入中收集相似块,这使得图像去噪的质量在很大程度上取决于输入本身。然而,这样的方法经常遭受一个共同的缺点,即去噪性能可能会随着噪声水平的增加而迅速下降。在本文中,我们提出了一种新的先验模型,称为组稀疏残差约束(GSRC)。与传统的基于组的稀疏表示去噪方法不同,GSRC中使用了两种先验,即噪声和预滤波图像的NSS先验。特别地,我们通过稀疏残差机制将这两个NSS先验信息整合在一起,从而将图像去噪的任务转化为减少组稀疏残差的问题。为此,我们首先通过预滤波得到原始图像的组稀疏系数的良好估计,然后用含噪图像的组稀疏系数来近似这个估计。为了提高非局部相似块选择的准确性,设计了一种自适应块搜索方案。此外,为了更好地融合这两个NSS先验,一个有效的迭代收缩算法来解决所提出的GSRC模型。实验结果表明,所提出的GSRC建模优于许多国家的最先进的去噪方法的客观和感知指标。
2017-07-31 cs.CV
Complex-valued Convolutional Neural Networks for Enhanced Radar Signal Denoising and Interference Mitigation
Graz University of Technology(格拉茨技术大学);Infineon Technologies Austria AG(英飞凌科技奥地利公司)
自动驾驶高度依赖于有能力的传感器来感知环境并向车辆的控制系统提供可靠的信息。为了提高其鲁棒性,使用了一组多样化的传感器,包括雷达传感器。雷达是传感信息的重要贡献,提供高分辨率的距离和速度测量。雷达传感器在道路交通中的使用越来越多,这带来了新的挑战。由于迄今为止不受管制的频段变得越来越拥挤,雷达传感器遭受多个雷达传感器之间的相互干扰。必须减轻这种干扰,以确保高和一致的检测灵敏度。在本文中,我们提出了使用复值卷积神经网络(CVCNN)来解决雷达传感器之间的相互干扰问题。我们将以前开发的方法扩展到复域,以便根据其物理特性处理雷达数据。这不仅提高了数据效率,而且改善了滤波期间相位信息的保存,这对于进一步处理(例如角度估计)至关重要。我们的实验表明,CVCNN的使用提高了数据效率,加快了网络训练速度,并大大提高了干扰消除过程中相位信息的保存。
2021-04-29 cs.CV eess.SP
Nonlocal Patches based Gaussian Mixture Model for Image Inpainting
Laboratory of Mathematics and Complex Systems (Ministry of Education of China), School of Mathematical Sciences, Beijing Normal University(北京师范大学数学科学学院,数学与复杂系统实验室(中国教育部))
我们考虑了含噪图像的修复问题。在图像修补过程中,如何抑制噪声是一个非常具有挑战性的问题。本文提出了一种基于图像块的非局部变分方法来同时进行图像修复和去噪。我们的方法是基于一个假设,即小的图像补丁应该服从一个分布,可以描述一个高维高斯混合模型。通过最大后验概率(MAP)估计,我们根据混合模型的对数似然函数来构造一个新的正则项。为了有效地优化这个正则化项,我们采用了期望最大值(EM)算法的思想。其中,期望步长可以给出一个自适应的加权函数,该函数可以看作是像素之间的非局部连接。利用这一事实,我们建立了一个框架,非局部图像修补噪声下。此外,我们从数学上证明了所提出的修复模型的最小值的存在性。该模型利用分裂算法实现了图像修补和去噪的同时进行。数值结果表明,当修复区域较大时,该方法可以获得较好的重建效果。
2019-09-22 cs.CV
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
A Brief Review of Real-World Color Image Denoising
South China University of Technology(华南理工大学)
由于噪声的复杂性,无法用公式表示为某种分布,因此对真实世界的彩色图像进行滤波是一项挑战。然而,相机镜头的快速发展对图像去噪的效率和有效性提出了更高的要求。目前,最广泛接受的框架采用的变换域技术和自然图像的非局部相似性特征相结合。基于这个框架,许多竞争性方法利用预定义的或自适应学习的变换来对R、G、B通道的相关性进行建模。在本章中,简要回顾了相关的方法和公开可用的数据集,此外,一个新的数据集,包括更多的自然户外场景。进行了大量的实验,并讨论了视觉效果增强。
2018-09-10 cs.CV
Deep Equilibrium Convolutional Sparse Coding for Hyperspectral Image Denoising
School of Computer Science and Engineering, Nanjing University of Science and Technology(南京理工大学计算机科学与工程学院);College of Computer Science, Zhejiang University(浙江大学计算机科学学院)
本文提出深度均衡卷积稀疏编码框架,通过统一局部空间-光谱相关性、非局部自相似性和全局一致性,提升超光谱图像去噪性能。
2025-12-22 cs.CV eess.IV
Suboptimality of Nonlocal Means for Images with Sharp Edges
Rice University(莱斯大学)
我们进行了渐近风险分析的非局部均值图像去噪算法的地平线类的图像是分段常数与尖锐的边缘不连续性。我们证明了一个最佳调整的非局部均值算法的均方风险衰减根据$n^{-1}\log^{1/2+ε} n$,一个$n$像素图像与$ε>0$。该衰减率是对该算法的一些前辈的改进,包括线性卷积滤波器、中值滤波器和SUSAN滤波器,其中每一个滤波器仅提供$n^{-2/3}$的速率。它也是在一个对数因子从最佳调谐小波阈值。然而,它仍然大大低于$n^{-4/3}$的最优极大极小速率。
2011-11-24 cs.CV cs.IT math.IT
On a new formulation of nonlocal image filters involving the relative rearrangement
Universidad de Oviedo(奥维耶多大学)
非局部滤波器是一种简单而强大的图像去噪技术。在本文中,我们研究了一个广泛的一类非局部过滤器的两个功能重排:减少和相对重排。独立的图像的尺寸,我们重新制定这些过滤器作为积分算子定义在一个一维空间中对应的水平集措施。我们证明了过滤器的原始和重新排列的版本之间的等价性,并提出了一个离散化的常数明智的插值器,我们证明是收敛到连续设置的解决方案。对于某些特定的情况下,这个新的配方允许我们执行一个详细的分析的过滤性能。除其他外,我们证明了过滤后的图像是原始图像的对比度变化,并且过滤过程渐近地表现为与边界扩散项相结合的冲击滤波器,负责阶梯效应和对比度损失。
2014-06-27 cs.CV
Accurate and Lightweight Image Super-Resolution with Model-Guided Deep Unfolding Network
Xidian University(西安电子科技大学);West Virginia University(西弗吉尼亚大学)
基于深度神经网络(DNN)的方法在单图像超分辨率(SISR)方面取得了巨大成功。然而,现有的最先进的SISR技术被设计成像黑盒子一样,缺乏透明度和可解释性。此外,由于黑盒设计,视觉质量的提高往往是以增加模型复杂性为代价的。在本文中,我们提出并倡导一种可解释的SISR方法,称为模型引导的深度展开网络(MoG-DUN)。为了打破一致性障碍,我们选择使用一个成熟的图像先验命名为非局部自回归模型,并使用它来指导我们的DNN设计。通过将深度去噪和非局部正则化作为可训练模块集成在深度学习框架中,我们可以将基于模型的SISR的迭代过程展开为具有三个互连模块(去噪,非局部AR和重建)的构建块的多级级联。所有三个模块的设计都利用了最新的进步,包括密集/跳跃连接以及快速非本地实现。除了可解释性之外,MoG-DUN还具有准确性(产生更少的混叠伪影),计算效率(减少模型参数)和通用性(能够处理多种退化)。建议的MoG-DUN方法的优越性,现有的国家的最先进的图像SR方法,包括RCAN,SRMDNF,和SRFBN的几个流行的数据集和各种退化的情况下进行了广泛的实验证实。
2020-11-21 cs.CV
Color Image and Multispectral Image Denoising Using Block Diagonal Representation
South China University of Technology(华南理工大学)
过滤多于一个通道的图像在效率和有效性方面都具有挑战性。通过对相似块进行分组,利用自然图像的自相似性和稀疏线性近似,最近的非局部和变换域方法已被广泛用于彩色和多光谱图像(MSI)去噪。许多相关的方法集中在组水平的相关性建模,以提高稀疏性,这往往是一个递归的策略,大量的相似补丁。补丁级表示的重要性被低估了。在本文中,我们主要研究的影响和潜力的表示在补丁水平,考虑一个一般的公式与块对角矩阵。我们进一步表明,通过训练一个适当的全球补丁的基础上,随着当地的主成分分析变换的分组维,一个简单的变换阈值逆方法可以产生非常有竞争力的结果。快速实现也被开发以减少计算复杂性。在模拟数据集和真实数据集上的大量实验证明了该算法的鲁棒性、有效性和高效性。
2019-02-11 cs.CV
Suppression of Correlated Noise with Similarity-based Unsupervised Deep Learning
Rensselaer Polytechnic Institute(伦斯勒理工学院)
图像去噪是许多领域下游任务的先决条件。低剂量和光子计数计算机断层扫描(CT)去噪可以在最小辐射剂量下优化诊断性能。有监督的深度去噪方法很受欢迎,但需要成对的干净或有噪声的样本,而这些样本在实践中通常是不可用的。受噪声独立性假设的限制,现有的无监督去噪方法无法处理CT图像中的相关噪声。在这里,我们提出了第一种基于相似性的无监督深度去噪方法,称为Noise2Sim,它以非局部和非线性的方式工作,不仅可以抑制独立噪声,还可以抑制相关噪声。从理论上讲,Noise2Sim在温和的条件下与监督学习方法是渐近等价的。在实验中,Nosie2Sim从噪声低剂量CT和光子计数CT图像中恢复固有特征,在视觉上,定量地和统计上与实际数据集上的监督学习方法一样有效,甚至更好。Noise2Sim是一种通用的无监督去噪方法,在各种应用中具有巨大的潜力。
2022-01-05 cs.CV cs.LG eess.IV
Group Sparsity Residual with Non-Local Samples for Image Denoising
Nanjing University(南京大学);Southeast University(东南大学);Nokia Bell Labs(诺基亚贝尔实验室)
受基于组的稀疏编码的启发,最近提出的组稀疏残差(GSR)方案在图像处理中表现出优越的性能。然而,GSR中的一个挑战是通过使用基于组的稀疏编码(GSC)的适当参考来估计残差,期望其尽可能接近真实。先前的研究利用来自其他算法的估计(即,GMM或BM 3D),它们要么不准确,要么太慢。在本文中,我们建议使用非局部样本(NLS)作为参考的GSR制度的图像去噪,因此被称为GSR-NLS。更具体地说,我们首先得到一个很好的估计组稀疏系数的图像非局部自相似性,然后解决GSR模型的有效迭代收缩算法。实验结果表明,所提出的GSR-NLS不仅优于许多国家的最先进的方法,但也提供了速度的竞争优势。
2018-03-22 cs.CV
Mixed Gaussian-Impulse Noise Removal from Highly Corrupted Images via Adaptive Local and Nonlocal Statistical Priors
Babol University of Technology(巴博勒理工大学)
本文的动机是介绍一种新的框架,用于恢复被混合高斯脉冲噪声损坏的图像。为此,首先,提出了一种自适应曲波阈值准则,该准则试图自适应地去除去噪过程中出现的扰动。然后,建立了一个新的统计正则化项,称为联合自适应统计先验(JASP),它同时以统一的方式执行本地和非本地统计正则化。此外,一种新的技术,混合高斯加脉冲噪声去除使用JASP在变分方案开发-我们称之为De-JASP。为了有效地求解上述变分格式,基于分裂Bregman迭代框架,一个有效的交替最小化算法的发展。大量的实验结果表明,与当前最先进的混合高斯脉冲噪声去除方法相比,该方法是有效的。
2015-12-27 cs.CV
Deep Ultrasound Denoising Using Diffusion Probabilistic Models
Concordia University(康考迪亚大学);Sunnybrook Research Institute(桑尼布鲁克研究所);INSA-Lyon(里昂国立应用科学学院);Université Claude Bernard Lyon 1(里昂第一大学)
针对传统超声去噪方法易丢失有价值散斑信息的问题,提出基于DDPM的无监督深度超声去噪方法,可在保留散斑的同时提升PSNR与GCNR,性能优于非局部均值去噪方法。
2023-06-12 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
A Tale of Two Bases: Local-Nonlocal Regularization on Image Patches with Convolution Framelets
Duke University(杜克大学);Harvard University(哈佛大学)
我们提出了一个图像表示方案相结合的局部和非局部表征的补丁在图像中。我们的表示方案可以被证明是等价于一个紧密的框架构造卷积局部基地(例如小波框架,离散余弦变换等)。用非局部基(例如,由补丁上的非线性降维引起的谱基),并且我们称所得到的框架元素为{ \it卷积小框架}。从分析所提出的表示中获得的见解导致了对最近使用点积分方法(PIM)和低维流形模型(LDMM)的高性能基于块的图像修补算法的新解释[Osher,Shi和Zhu,2016]。特别是,我们表明,LDMM是一个加权的$\ell_2$ -正则化的系数分解成卷积小框架的线性组合的图像;基于这种理解,我们扩展了原来的LDMM的一个重新加权的版本,产生进一步改进的修复结果。此外,我们建立了卷积小框架系数的能量集中属性的设置,其中局部基础是通过线性重建框架从给定的非局部基础构建的;将该框架推广到局部嵌入的工会可以为解释BM 3D提供自然的设置,BM 3D是最先进的图像去噪算法之一。
2016-09-12 cs.CV
Efficient Image Denoising Using Global and Local Circulant Representation
School of Software Engineering, South China University of Technology(华南理工大学软件学院);Department of Clinical Laboratory Medicine, Guangdong Provincial People’s Hospital, Southern Medical University(广东省人民医院临床检验医学科)
本文提出一种高效图像去噪算法Haar-tSVD,通过Haar变换与t-SVD投影统一捕捉全局与局部图像块相关性,实现单步可并行滤波,并结合CNN噪声估计方案,在去噪速度与性能间取得平衡。
2025-08-14 cs.CV eess.IV
Total variation regularization for manifold-valued data
Helmholtz Center Munich(慕尼黑亥姆霍兹中心);Technische Universität München(慕尼黑工业大学);École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
本文考虑流形值数据的全变差最小化问题。我们提出了一个循环邻近点法和并行邻近点法,以尽量减少电视泛函$\ell^p$型数据项在流形的情况下。这些算法是基于迭代测地线平均,这使得他们很容易适用于一个大类的数据流形。作为一个应用程序,我们考虑去噪图像,其值在一个流形。我们将我们的算法应用到扩散张量图像,干涉SAR图像以及球和柱值图像。对于一类Cartan-Hadamard流形(包括扩散张量成像中的数据空间),我们证明了所提出的TV最小化算法收敛到全局最小值。
2013-12-30 cs.CV math.OC physics.med-ph
Direct Reconstruction of Linear Parametric Images from Dynamic PET Using Nonlocal Deep Image Prior
Gordon Center for Medical Imaging(戈登医学影像中心);Massachusetts General Hospital(麻省总医院);Harvard Medical School(哈佛医学院);Martinos Center for Biomedical Imaging(马蒂诺斯生物医学影像中心);University of California, Davis(加州大学戴维斯分校)
直接重建方法已被开发,估计参数图像直接从所测量的PET正弦图相结合的PET成像模型和示踪剂动力学在一个集成的框架。由于接收到的计数有限,由直接重建框架产生的参数图像的信噪比(SNR)和分辨率仍然有限。最近,当有大量高质量的训练标签可用时,监督式深度学习方法已成功应用于医学成像去噪/重建。对于静态PET成像,可以通过延长扫描时间来获取高质量的训练标签。然而,这对于扫描时间已经足够长的动态PET成像是不可行的。在这项工作中,我们提出了一个无监督的深度学习框架,用于从动态PET直接进行参数重建,并在Patlak模型和相对平衡Logan模型上进行了测试。患者的解剖学先验图像,这是很容易从PET/CT或PET/MR扫描,被提供作为网络输入,以提供一个流形约束,也被用来构建一个内核层,以执行非局部特征去噪。线性动力学模型作为1x 1卷积层嵌入网络结构中。训练目标函数基于PET统计模型。基于18F-FDG和11 C-PiB示踪剂动态数据集的评估表明,该框架可以优于传统的和基于核方法的直接重建方法。
2021-06-18 cs.CV eess.IV physics.med-ph
Total Generalized Variation of the Normal Vector Field and Applications to Mesh Denoising
Institut für Mathematik, Humboldt University of Berlin(柏林洪堡大学数学研究所);Norwegian University of Science and Technology(挪威科学技术大学);Interdisciplinary Center for Scientific Computing, Heidelberg University(海德堡大学交叉科学计算中心);Institute for Mathematics, Heidelberg University(海德堡大学数学研究所);University of Trier(特里尔大学)
提出法向量场二阶总广义变分新公式,构造切向Raviart-Thomas有限元空间,用于网格去噪,并与现有方法比较。
2025-10-24 cs.CV math.DG math.OC
InSAR Phase Denoising: A Review of Current Technologies and Future Directions
Southeast University(东南大学);China University of Mining and Technology(中国矿业大学);Xidian University(西安电子科技大学)
干涉合成孔径雷达(InSAR)通过增强信息获取能力,已成为遥感领域的有力工具。在InSAR图像处理过程中,干涉图相位去噪是地形图测绘和形变监测中必不可少的步骤。在过去的三十年里,已经开发了大量有效的算法来解决这个问题。本文对InSAR相位去噪方法进行了全面的综述,将现有的和新出现的算法分为四大类。前两部分分别涉及传统的局部滤波器和变换域滤波器。第三部分重点讨论了非局部滤波器的分类,考虑到它们出色的性能。最后,介绍了基于信号处理新概念的一些先进方法,展示了它们在这一领域的潜力。此外,几个流行的相位去噪方法进行了说明和比较,使用模拟和测量数据进行数值实验。本文的研究目的是为相关研究人员提供必要的指导和启示,推动InSAR信号处理体系结构的发展。
2020-12-19 cs.CV eess.IV
Color Image Denoising Using The Green Channel Prior
South China University of Technology(华南理工大学)
针对标准RGB空间彩色图像去噪中绿通道先验常被忽略的问题,提出一种单步GCP-ID方法,通过绿通道引导相似块搜索并重构为RGGB数组,有效提升了图像与视频去噪性能。
2024-02-13 cs.CV eess.IV
Linear Attention Based Deep Nonlocal Means Filtering for Multiplicative Noise Removal
Research Institute of Electronic Science and Technology, University of Electronic Science and Technology of China(电子科技大学电子科学技术研究院);School of Information and Communication Engineering, University of Electronic Science and Technology of China(电子科技大学信息与通信工程学院)
本文提出基于深度学习的线性注意力机制的非局部均值滤波方法,用于高效去除乘性噪声,通过深度通道卷积神经网络提取邻域矩阵信息,并利用注意力机制实现相似性计算和加权平均,实验表明其在模拟和真实噪声数据上表现优于现有方法。
2026-04-12 cs.AI cs.CV eess.IV
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
Revisiting Nonlocal Self-Similarity from Continuous Representation
University of Electronic Science and Technology of China(电子科技大学)
本文从连续表示视角提出CRNL方法,统一网格与非网格数据的自相似性度量,并通过耦合低秩函数分解同时利用组内与组间相似性,在多维数据处理任务中实现了优于传统NSS方法的有效性与效率。
2024-01-01 cs.CV eess.IV
Complex-valued Retrievals From Noisy Images Using Diffusion Models
Technion(以色列理工学院)
本研究将退火朗之万动力学推广至深度扩散模型,解决受泊松噪声影响的复值物体光学成像问题,并在傅里叶叠层显微等场景验证其有效性。
2023-07-28 cs.AI cs.CV
Image denoising as a conditional expectation
Worcester Polytechnic Institute(伍斯特理工学院);Texas Tech University(德克萨斯理工大学)
提出将含噪图像解释为概率空间样本集合,通过核积分算子在RKHS中将真实图像作为条件期望恢复,并证明该方法随像素增加而收敛。
2025-05-24 cs.CV eess.IV math.OC
Mumford-Shah and Potts Regularization for Manifold-Valued Data with Applications to DTI and Q-Ball Imaging
Helmholtz Zentrum München(亥姆霍兹慕尼黑中心);École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
本文提出用于流形值信号和图像的Mumford-Shah和Potts正则化算法,通过动态规划与优化技术解决单变量问题,并针对Cartan-Hadamard流形证明算法能全局最小化。方法无需先验边缘集限制或数据空间离散化,应用于DTI和Q-ball成像实现脑白质分割。
2014-10-07 cs.CV cs.NA math.NA