Denoising based on wavelets and deblurring via self-organizing map for Synthetic Aperture Radar images
这项工作涉及无监督图像去模糊。我们提出了一种新的去模糊过程中提供的图像由低分辨率合成孔径雷达（SAR）或简单的多媒体存在的乘性（斑点）或加性噪声，分别。我们提出的方法被定义为两步过程。首先，我们在小波域中使用一种原始的降噪技术。然后，Kohonen自组织映射（SOM）的学习直接对去噪图像执行，以取出它的模糊。该方法已成功地应用于实际SAR图像，仿真结果表明，所提出的算法的有效性。
2016-07-31 cs.CV
DnSwin: Toward Real-World Denoising via Continuous Wavelet Sliding-Transformer
Guangdong University of Technology（广东工业大学）；South China University of Technology（华南理工大学）；Sun Yat-sen University（中山大学）；Nanjing University of Science and Technology（南京理工大学）
真实世界图像去噪是一个实用的图像复原问题，其目的是从噪声输入中获得干净的图像。最近，视觉Transformer（ViT）表现出很强的能力，捕捉远程依赖，许多研究人员试图将ViT应用到图像去噪任务。然而，真实世界的图像是一个孤立的帧，这使得ViT基于内部补丁建立长距离依赖关系，这将图像划分为补丁，扰乱噪声模式并破坏梯度连续性。在这篇文章中，我们建议通过使用连续小波滑动变换器来解决这个问题，该变换器在现实世界的场景下建立频率对应关系，称为DnSwin。具体来说，我们首先通过使用卷积神经网络（CNN）编码器从噪声输入图像中提取底部特征。DnSwin的关键是从观察到的特征中提取高频和低频信息，并建立频率依赖关系。为此，我们提出了一个小波滑动窗口Transformer（WSWT），利用离散小波变换（DWT），自注意和逆DWT（IDWT）提取深层特征。最后，我们使用CNN解码器将深度特征重建为去噪图像。在真实世界的去噪基准上进行的定量和定性评估表明，所提出的DnSwin对最先进的方法表现良好。
2022-09-13 cs.CV
Progressive Training of Multi-level Wavelet Residual Networks for Image Denoising
Shaanxi Normal University（陕西师范大学）；Nanjing University of Science and Technology（南京理工大学）；Harbin Institute of Technology（哈尔滨工业大学）
近年来，深度卷积神经网络（CNN）在图像去噪方面取得了巨大成功。虽然更深的网络和更大的模型容量通常有利于性能，但训练非常深的图像去噪网络仍然是一个具有挑战性的实际问题。以多级小波CNN（MWCNN）为例，我们根据经验发现，无论是增加小波分解级别还是增加每个级别内的卷积层，都不能显著提高去噪性能。为了解决这个问题，本文提出了一种多级小波残差网络（MWRN）的结构以及渐进训练（PTMWRN）计划，以提高图像去噪性能。与MWCNN相比，我们的MWRN在每一级离散小波变换（DWT）之后和逆离散小波变换（IDWT）之前引入了几个残差块。为了减轻训练难度，尺度特定的损失被施加到每一个层次的MWRN通过要求中间输出，以近似相应的小波子带的地面真实干净的图像。为了保证尺度损失的有效性，我们还将含噪图像的小波子带作为编码器每个尺度的输入。此外，采用渐进式训练方案，通过从训练MWRN的最低层开始，逐步训练上层，使去噪结果更加精细，从而更好地学习MWRN。在合成和真实世界的噪声图像上的实验表明，我们的PT-MWRN在定量指标和视觉质量方面都优于最先进的去噪方法。
2020-10-23 cs.CV eess.IV
Multi-stage image denoising with the wavelet transform
Northwestern Polytechnical University（西北工业大学）；Harbin Institute of Technology（哈尔滨工业大学）；Peng Cheng Laboratory（鹏城实验室）；University of Macau（澳门大学）；The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））；Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳市人工智能与机器人研究院）
深度卷积神经网络（CNN）通过自动挖掘精确的结构信息来用于图像去噪。然而，大多数现有的CNN依赖于扩大设计的网络深度来获得更好的去噪性能，这可能会导致训练困难。在本文中，我们提出了一个多级图像去噪CNN与小波变换（MWD CNN）通过三个阶段，即，动态卷积块（DCB）、两个级联的小波变换和增强块（WEB）以及残差块（RB）。DCB使用动态卷积来动态调整几个卷积的参数，以在去噪性能和计算成本之间进行权衡。WEB使用信号处理技术的组合（即，小波变换）和鉴别学习来抑制噪声，以在图像去噪中恢复更详细的信息。为了进一步去除冗余特征，RB被用来细化获得的特征，以改善去噪效果，并通过改进的残差密集架构重建干净的图像。实验结果表明，所提出的MWDCNN优于一些流行的去噪方法在定量和定性分析。代码可在https://github.com/hellloxiaotian/MWDCNN上获得。
2022-10-03 cs.CV eess.IV
Redundant Wavelets on Graphs and High Dimensional Data Clouds
Technion – Israel Institute of Technology（以色列理工学院）
本文提出了一种新的冗余小波变换，它适用于高维坐标、加权图和网络上的标量函数。所提出的变换利用给定数据点之间的距离。我们修改的滤波器组分解方案的冗余小波变换，通过添加在每个分解级别的线性算子，重新排序的近似系数。这些重新排序操作符是通过组织树节点特征以缩短通过这些点的路径而得到的。我们探讨了使用所提出的变换图像去噪，并表明，它实现了去噪的结果是接近与BM 3D算法获得的。
2011-11-20 cs.CV
Constrained low-tubal-rank tensor recovery for hyperspectral images mixed noise removal by bilateral random projections
University of Electronic Science and Technology of China（电子科技大学）；Hong Kong Baptist University（香港浸会大学）
本文提出了一种新的低管秩张量恢复模型，该模型直接约束管秩先验，有效地去除高光谱图像中的混合高斯和稀疏噪声。在恢复过程中，管秩和稀疏性的约束可以支配去噪张量的解。为了求解约束低管秩模型，我们开发了一种基于双边随机投影的迭代算法来有效地求解该模型。随机投影的优点是可以以一种廉价的方式相当准确地获得低管秩张量的近似。高光谱图像去噪的实验结果表明了该方法的有效性和效率。
2019-05-15 cs.CV
TIR-Diffusion: Diffusion-based Thermal Infrared Image Denoising via Latent and Wavelet Domain Optimization
Dept. of Mechanical Engineering, SNU, Seoul, S. Korea（机械工程系，首尔国立大学）
针对热红外图像固定模式噪声问题，提出基于扩散模型并融合潜在域与小波域优化的去噪框架，通过级联细化增强细节，在基准和真实数据集上优于现有方法并具备零样本泛化能力。
2025-07-30 cs.CV cs.RO eess.IV
Generalized Tree-Based Wavelet Transform
Technion – Israel Institute of Technology（以色列理工学院）
本文提出了一种新的小波变换，它适用于定义在图、高维数据和网络上的函数。所提出的方法推广了[1]中提出的Haar类变换，并通过层次树定义，假设该层次树捕获输入数据的几何和结构。它适用于使用常见的一维（1D）小波滤波和抽取方案，它可以采用不同的小波滤波器的修改版本的数据。在该小波分解方案的每一级中，在对近似系数进行滤波之前，将从树导出的置换应用于近似系数。我们提出了一种树的构造方法，在变换域中的输入函数的有效表示。我们表明，该变换是更有效的比1D和二维（2D）可分离小波变换在表示图像。我们还探讨了所提出的变换的图像去噪的应用，并表明，结合子图像平均计划，它实现了去噪的结果是类似的K-SVD算法获得的。
2011-02-28 cs.CV
TIDY: Thermal Infrared Image Denoising via Wavelet Domain Entropy and Directional Stripe Index
Dept. of Mechanical Engineering, SNU（首尔大学机械工程系）
提出轻量级小波域去噪器TIDY，利用真实噪声数据训练，通过小波熵和方向条纹指数损失项抑制随机噪声和条纹伪影，在室内恶劣条件下提升热红外图像质量及下游机器人任务性能。
2026-06-23 cs.CV cs.RO
Cross-boosting of WNNM Image Denoising method by Directional Wavelet Packets
Tel Aviv University（特拉维夫大学）；University of Jyväskylä（于韦斯屈莱大学）
本文提出一种结合方向性小波包去噪与WNNM的交叉增强图像去噪方法，通过迭代互增强，在定量和视觉质量上优于多数先进算法。
2023-05-09 cs.CV eess.IV
ResWCAE: Biometric Pattern Image Denoising Using Residual Wavelet-Conditioned Autoencoder
Stanford University（斯坦福大学）；Google Research（谷歌研究）
本文提出轻量级深度学习架构Res-WCAE，通过双编码器与残差连接结合小波变换域特征，专门用于紧凑物联网设备中的指纹图像去噪，在高噪声下表现优于现有方法。
2025-09-14 cs.CV cs.LG eess.IV
WIA-LD2ND: Wavelet-based Image Alignment for Self-supervised Low-Dose CT Denoising
School of Computer Science, Wuhan University（武汉大学计算机学院）；School of Computer Science, Central China Normal University（华中师范大学计算机学院）；University of Louisville（路易斯维尔大学）
本文提出仅用正常剂量CT数据的自监督低剂量CT去噪方法WIA-LD2ND，通过基于小波的图像对齐和频率感知多尺度损失，在两个公开数据集上超越现有弱监督与自监督方法。
2024-07-01 cs.CV eess.IV
Single image super resolution in spatial and wavelet domain
Uka Tarsadia University（乌卡塔萨迪亚大学）；Sardar Vallabhbhai Institute of Technology（萨达尔·瓦拉巴伊理工学院）
单帧图像的超分辨率是近年来的一个重要研究领域，它是从给定的低分辨率图像生成高分辨率图像。单图像分辨率的算法主要基于小波域和空间域。在小波域中利用滤波器对自然图像规律性建模的支持，而在空间域中，图像的边缘在上采样时变得尖锐。本文提出了一种基于空间域和小波域的单幅图像超分辨率算法，该算法充分利用了空间域和小波域的优点。算法是迭代的，并使用反投影来最小化重建误差。为了去除噪声，还引入了基于小波变换的去噪方法。
2013-09-09 cs.CV
Image Denoising with Kernels based on Natural Image Relations
Universitat de València（瓦伦西亚大学）
一类成功的图像去噪方法是基于小波表示的贝叶斯方法。然而，分析估计只能得到特定的组合的信号和噪声的分析模型，从而排除其直接扩展到处理其他任意的噪声源。在本文中，我们提出了一种替代的非显式的方式来考虑自然图像小波系数之间的关系去噪：我们使用支持向量回归（SVR）在小波域中执行这些关系的估计信号。由于系数之间的关系是特定于信号的，因此利用SVR的正则化特性来去除不具有此特征的噪声。特定的信号关系被编码在从在代表性图像数据库上计算的互信息测量获得的各向异性核中。训练考虑最小化信号和噪声的估计和实际概率函数之间的Kullback-Leibler散度（KLD），以加强相似性。由于其非参数性质，该方法最终可以应付不同的噪声源，而不需要一个明确的重新制定，因为它是严格必要的参数贝叶斯形式主义。在不同噪声水平和噪声源下的实验结果表明：（1）该方法优于传统的假设系数独立性的小波方法;（2）当噪声源为高斯噪声时，该方法类似于显式包含这些关系的最新方法;（3）当考虑更复杂、更真实的噪声源时，该方法具有更好的数值和视觉性能。因此，所提出的机器学习方法可以被看作是一个更灵活的（无模型）替代显式描述的小波系数关系的图像去噪。
2016-01-31 cs.CV stat.ML
Image Denoising via the Adaptive Rank-Cluster Filter
本文提出自适应秩聚类滤波器，经Otsu聚类、模糊融合处理像素强度，在混合噪声场景下对图像去噪的鲁棒性优于多种基线滤波算法。
2026-08-18 cs.CV
Color graph based wavelet transform with perceptual information
Xlim（Xlim研究所）；University of Poitiers（普瓦捷大学）
在本文中，我们提出了一个数值策略来定义一个多尺度分析的彩色和多分量图像的基础上表示的数据在一个图形。我们的方法包括在计算图像的图形使用的心理视觉信息和分析它通过使用频谱图小波变换。我们建议在图的权值计算中引入颜色维数，并使用测地线距离作为距离度量的一种手段。因此，我们已经定义了一个小波变换的基础上，通过使用CIELab颜色距离的感知信息的图形。这种新的表示与去噪和修复应用程序说明。总体而言，通过在图小波变换的图计算中引入心理视觉信息，我们获得了非常有前途的结果。因此在图像复原的结果中要适当利用突出的色彩信息。
2015-10-19 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
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
Acceleration of the shiftable O(1) algorithm for bilateral filtering and non-local means
双边滤波器[1]的直接实现需要每个像素的O（σ_s^2）操作，其中σ_s是空间核的（有效）宽度。最近在[2]中提出了一种快速实现双边滤波器的方法，该方法对于σ_s每像素需要O（1）次运算。这是通过使用三角函数的双边滤波器的范围内核，并利用其所谓的移位属性。特别地，通过使用升余弦近似高斯距离核，实现了高斯双边滤波器的快速实现。后来，在[3]中证明了这个想法可以扩展到更大的一类滤波器，包括流行的非局部均值滤波器[4]。正如在[2]中已经观察到的，这种方法的另一面是运行时间取决于范围核的宽度σ_r。对于具有范围[0，T]内的（局部）强度变化的图像，运行时间缩放为O（T^2/σ^2_r），其中σ_r。这使得很难实现窄范围内核，特别是对于具有大动态范围的图像。本文讨论了这个问题，并提出了一些简单的步骤，以加快实现一般，特别是小σ_r。[1]C.托马西河林志光，“彩色影像之双向滤波”，国立成功大学计算机视觉研究所硕士论文，1998年。[2]K.N. Chaudhury，Daniel Sage，and M. Unser，“Fast O（1）bilateral filtering using trigonometric range kernels”，IEEE Transactions on图像处理，2011。[3]K.N. Chaudhury，“Constant-time filtering us…
2012-08-07 cs.CV cs.DC
Astronomical Image Denoising Using Dictionary Learning
天文图像经常存在多种缺陷，这些缺陷是采集设备的固有特性和大气条件的结果。天文成像中最常见的缺陷之一是存在加性噪声，这使得在处理数据之前必须进行去噪步骤。在过去的十年中，一个特定的建模方案，基于稀疏表示，引起了越来越多的研究人员的关注。稀疏表示为许多图像和信号处理任务提供了一个有前途的框架，特别是去噪和恢复应用。首先，谐波，小波，相似基和过完备表示已被视为候选域寻求稀疏表示。基于数据驱动字典的新一代算法发展迅速，现在与现成的固定字典竞争。虽然预先设计字典依赖于对最合适的代表性基本形式和函数的猜测，但字典学习框架提供了基于数据本身构建字典，这为我们提供了更灵活的稀疏建模设置，并允许构建更复杂的字典。本文介绍了中心字典学习（CDL）方法，并研究了它在天文图像去噪中的性能。我们展示了CDL如何在天文图像上优于小波或经典字典学习去噪技术，并且我们比较了这些不同算法对去噪图像的测光效果。
2013-04-12 astro-ph.IM cs.CV
Image denoising through bivariate shrinkage function in framelet domain
Hamedan University of Technology（哈马丹理工大学）
稀疏域（如小波）系数去噪因其简单有效而得到了广泛的研究。文献主要集中在设计最佳的全局阈值。然而，本文提出了一种新的去噪方法使用二元收缩函数在framelet域。在该方法中，最大后验概率被用来估计的去噪系数和非高斯二元函数被用来建模的统计框架系数。对于每个小框架系数，存在取决于小框架系数的局部统计的对应阈值。实验结果表明，在小框架域使用二元收缩函数的图像质量和峰值信噪比明显优于一些著名的去噪方法。
2018-01-02 cs.CV eess.IV
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
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
Riesz-Quincunx-UNet Variational Auto-Encoder for Satellite Image Denoising
George Mason University（乔治梅森大学）；Emory University（埃默里大学）
本文提出将Riesz-Quincunx小波变换嵌入U-Net并结合变分自编码器，构建RQUNet-VAE混合方案，用于卫星图像去噪、分解与分割，实验表明其去噪效果优于现有方法。
2022-08-25 cs.CV cs.LG eess.IV
Multiscale Sparsifying Transform Learning for Image Denoising
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）
数据驱动的稀疏方法，如合成字典学习（例如，K-SVD）和稀疏化变换学习在图像去噪中已被证明是有效的。然而，它们本质上是单一尺度的，这可能导致次优结果。我们提出了两种基于小波子带混合的方法，有效地结合了单尺度和多尺度方法的优点。我们表明，一个有效的多尺度方法可以设计，而不需要去噪的细节子带，大大降低了运行时间。所提出的方法最初是在稀疏化变换学习去噪的框架内推导出来的，然后，将它们推广到为著名的K-SVD和SAIST图像去噪方法提出我们的多尺度扩展。我们彻底分析和评估所研究的方法，并将其与众所周知的和最先进的方法进行比较。实验表明，我们的方法能够提供良好的性能和复杂性之间的权衡。
2021-07-25 cs.CV eess.IV
WIRE: Wavelet Implicit Neural Representations
Rice University（莱斯大学）
内隐神经表征（INRs）最近已经推进了许多视觉相关领域。INR的性能很大程度上取决于多层感知器（MLP）网络中采用的非线性激活函数的选择。已经探索了宽范围的非线性，但是，不幸的是，被设计为具有高精度的当前INR也遭受差的鲁棒性（对信号噪声、参数变化等）。受谐波分析的启发，我们开发了一种新的，高度准确和强大的INR，不表现出这种权衡。Wavelet Implicit neural REpresentation（WIRE）使用连续的复Gabor小波激活函数，该激活函数被公知为最佳地集中在空间-频率中，并且具有用于表示图像的优良偏差。广泛的实验（图像去噪、图像修补、超分辨率、计算机断层扫描重建、图像过拟合和具有神经辐射场的新颖视图合成）表明，WIRE定义了INR精度、训练时间和鲁棒性方面的最新技术水平。
2023-01-05 cs.CV cs.GR eess.IV
An Image Based Technique for Enhancement of Underwater Images
Kuvempu University（库文普大学）
水下图像通常存在光照不均匀、对比度低、图像模糊、色彩减弱等问题。在本文中，我们提出了一种基于图像的预处理技术，以提高水下图像的质量。该技术包括四个滤波器的组合，如同态滤波，小波去噪，双边滤波和对比度均衡。这些滤波器依次应用于退化的水下图像。文献调查表明，基于图像的预处理算法使用标准的过滤器技术与各种组合。为了平滑图像，基于图像的预处理算法使用各向异性滤波器。与双边滤波器相比，各向异性滤波器的主要缺点是迭代性质和计算时间高。在所提出的技术中，除了其他三个滤波器，我们采用双边滤波器平滑图像。实验分两个阶段进行。在第一阶段，我们已经进行了各种实验上捕获的图像和估计的双边滤波器的最佳参数。同样，最佳滤波器组和最佳小波收缩函数估计小波去噪。在第二阶段，我们进行了实验，估计最佳参数，最佳滤波器组和最佳小波收缩函数评估所提出的技术。我们使用定量的标准，如梯度幅度直方图和峰值信噪比（PSNR）的技术进行评估。此外，基于边缘检测结果对结果进行定性评估。所提出的技术提高了水下图像的质量，并可以在应用计算机视觉技术之前使用。
2012-12-03 cs.CV
Ultra Low-Parameter Denoising: Trainable Bilateral Filter Layers in Computed Tomography
Friedrich-Alexander University Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）；Fraunhofer Institute for Ceramic Technologies and Systems IKTS（弗劳恩霍夫陶瓷技术与系统研究所（IKTS））；Leibniz Institute for Analytical Sciences ISAS（莱布尼茨分析科学研究所（ISAS））；University Hospital Erlangen（埃尔朗根大学医院）；Institute for Nanotechnology and Correlative Microscopy e.V. INAM（纳米技术与关联显微镜协会研究所（INAM））
计算机断层扫描被广泛用作一种成像工具，以显示具有表达性骨-软组织对比度的三维结构。然而，CT分辨率和辐射剂量是紧密纠缠在一起的，突出了低剂量CT与复杂的去噪算法相结合的重要性。大多数数据驱动的去噪技术都基于深度神经网络，因此包含数十万个可训练的参数，这使得它们难以理解，并且容易出现预测失败。开发可理解且强大的去噪算法，实现最先进的性能，有助于在保持数据完整性的同时最大限度地减少辐射剂量。本文提出了一种基于双边滤波思想的开放源代码CT去噪框架。我们提出了一种双边滤波器，可以将其纳入深度学习管道，并通过计算其超参数及其输入的梯度流以纯粹的数据驱动方式进行优化。在纯图像到图像的管道和跨不同的域，如原始探测器数据和重建的体积，使用可微反投影层，去噪，证明。虽然每个滤波器层仅使用三个空间参数和一个范围参数，但所提出的去噪管道可以与具有数十万个参数的深度最先进的去噪架构竞争。在SSIM和PSNR方面，在X射线显微镜骨骼数据（0.7053和33.10）和2016年低剂量CT Grand Challenge数据集（0.9674和43.07）上实现了具有竞争力的去噪性能。由于具有明确效果的可训练参数数量极低，与大多数其他基于深度学习的去噪架构相比，在拟议的管道中随时保证预测可靠性和数据完整性。
2022-01-25 cs.CV eess.IV
JBFnet -- Low Dose CT Denoising by Trainable Joint Bilateral Filtering
Friedrich-Alexander Universität Erlangen-Nürnberg (FAU)（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）；Siemens Healthcare GmbH（西门子医疗有限公司）
深度神经网络在低剂量CT去噪方面取得了巨大成功。然而，这些深度神经网络中的大多数都有几十万个可训练的参数。这与神经网络固有的非线性相结合，使得深度神经网络难以理解，责任心低。在这项研究中，我们介绍了JBFnet，神经网络的低剂量CT去噪。JBFnet的体系结构实现了迭代双边滤波。联合双边滤波器（JBF）的滤波器函数是通过浅层卷积网络学习的。引导图像由深度神经网络估计。JBFnet分为四个滤波块，每个滤波块执行联合双边滤波。每个JBF块由112个可训练的参数组成，使得噪声去除过程非常简单。在滤波之后添加噪声图（NM）以保留高级特征。我们用10名患者的身体扫描数据训练JBFnet，并在AAPM低剂量CT Grand Challenge数据集上对其进行测试。我们将JBFnet与最先进的深度学习网络进行比较。JBFnet在去除噪声的同时保留结构方面优于测试数据集上的CPCE 3D，GAN和深度GFnet。我们进行了几次消融研究，以测试我们的网络架构和训练方法的性能。我们目前的设置实现了最佳性能，同时仍然保持行为问责制。
2020-07-09 cs.CV cs.LG eess.IV
Trainable Joint Bilateral Filters for Enhanced Prediction Stability in Low-dose CT
Friedrich-Alexander-Universität Erlangen-Nürnberg（弗里德里希-亚历山大-埃尔兰根-纽伦堡大学）
低剂量计算机断层扫描（CT）去噪算法旨在降低常规CT采集中的患者剂量，同时保持高图像质量。最近，引入了基于深度学习的方法，由于其高模型容量，在此任务上优于传统的去噪算法。然而，为了将基于DL的去噪过渡到临床实践，这些数据驱动的方法必须在看到的训练数据之外进行鲁棒推广。因此，我们提出了一种混合去噪方法，该方法由一组可训练的联合双边滤波器（JBF）与基于卷积DL的去噪网络相结合来预测指导图像。我们提出的去噪管道将基于DL的特征提取所实现的高模型容量与传统JBF的可靠性相结合。管道的泛化能力通过在没有金属植入物的腹部CT扫描上进行培训以及在有金属植入物的腹部扫描上进行测试以及在头部CT数据上进行测试来证明。当在我们的管道中嵌入两个成熟的基于DL的去噪器（RED-CNN/QAE）时，与各自的香草模型相比，$10\,\%$ / $82\,\%$（RMSE）和$3\,\%$ / $81\,\%$（PSNR）在包含金属的区域中以及$6\,\%$ / $78\,\%$（RMSE）和$2\,\%$ / $4\,\%$（PSNR）在头部CT数据上的去噪性能得到了改善。总之，所提出的可训练JBF限制了深度神经网络的误差范围，以促进基于DL的去噪器在低剂量CT管道中的适用性。
2022-07-15 cs.CV eess.IV
Directional Bilateral Filters
Robert Bosch Center for Cyber Physical Systems（罗伯特·博世信息物理系统中心）；Indian Institute of Science（印度科学学院）
我们提出了一个双边过滤器与局部控制域核方向边缘保持平滑。传统的双边滤波器使用一个范围内核，这是负责边缘保护，和一个固定的域内核，执行平滑。我们的直觉是，方向和各向异性的图像结构应纳入域核，而平滑。为此，我们采用了定向高斯域核局部控制的结构张量。方向域核与距离核相结合形成方向双边滤波器。这两个核相互帮助，有效地抑制了离群值的影响，同时平滑。为了找到最佳参数的方向双边滤波器，我们建议使用斯坦的无偏风险估计（SURE）。我们分别以及一起测试内核的功能，首先在合成图像上，然后在真实的内窥镜图像上。在不同噪声水平下，方向双边滤波器的峰值信噪比（PSNR）均优于高斯双边滤波器。
2014-10-27 cs.CV
Low Dose CT Denoising via Joint Bilateral Filtering and Intelligent Parameter Optimization
Friedrich-Alexander University of Erlangen-Nuremberg（埃尔朗根-纽伦堡大学）；Siemens Healthcare GmbH（西门子医疗有限公司）
临床CT图像去噪是深度学习研究的一个活跃领域。目前临床认可的方法使用迭代重建方法来降低CT图像中的噪声。迭代重建技术需要多个前向和后向投影，这是耗时且计算昂贵的。最近，深度学习方法已成功用于对CT图像进行降噪。然而，传统的深度学习方法存在“黑箱”问题。它们具有低可解释性，这对于在临床成像情况下使用是必要的。在本文中，我们使用联合双边滤波器（JBF）去噪我们的CT图像。使用深度残差卷积神经网络（CNN）来估计JBF的引导图像。JBF的范围平滑和空间平滑参数由深度强化学习任务调整。我们的参与者首先选择一个参数，然后选择一个动作来调优参数的值。设计了一个奖励网络来指导强化学习任务。我们的去噪方法表现出良好的去噪性能，同时保留结构信息。我们的方法明显优于最先进的深度神经网络。此外，我们的方法只有两个参数，这使得它更容易解释，并减少了“黑箱”问题。我们通过实验测量了我们的智能参数优化和奖励网络的影响。我们的研究表明，我们目前的设置在结构保护方面产生了最好的结果。
2020-07-09 cs.CV cs.LG eess.IV
QWD-GAN: Quality-aware Wavelet-driven GAN for Unsupervised Medical Microscopy Images Denoising
Department of Electrical and Electronic Engineering（电气与电子工程系）
提出一种基于GAN的无监督去噪方法，通过小波变换的多尺度自适应生成器和双分支判别器，在保持高频信息的同时实现显微镜图像去噪。
2025-09-19 cs.CV eess.IV
Learning a Generic Adaptive Wavelet Shrinkage Function for Denoising
Saarland University（萨尔兰大学）
机器学习在图像处理中的兴起在可训练数据驱动和经典模型驱动方法之间产生了差距：虽然基于学习的模型通常表现出更好的性能，但经典模型通常更透明。为了减少这一差距，我们引入了一个通用的小波收缩函数去噪，这是自适应的小波尺度以及噪声标准差。它是从继承自非线性扩散的紧参数化函数的训练结果推断出来的。我们提出的收缩函数是光滑和紧凑的，而只有使用两个参数。与许多现有的收缩函数相比，它能够通过放大小波系数来增强图像结构。实验表明，它优于经典的收缩函数的显着保证金。
2020-04-14 cs.CV cs.LG eess.IV
A Sub-band Approach to Deep Denoising Wavelet Networks and a Frequency-adaptive Loss for Perceptual Quality
AAC Technologies（AAC科技）
在本文中，我们提出了两个贡献的神经网络为基础的去噪。首先，我们建议将单独的卷积层应用于离散小波变换（DWT）的每个子带，而不是将所有子带连接起来并应用单个卷积层的DWT的常见用法。我们表明，我们的方法使用离散小波变换在神经网络显着提高了准确性，由于保持子带顺序未损坏之前逆离散小波变换。我们的第二个贡献是基于频域中前k %错误的去噪损失。用这种损失训练的神经网络自适应地关注在每次迭代中最不能恢复的频率。我们表明，这种损失的结果到更好的感知质量，提供一个图像，更平衡的频率分量的误差。
2021-02-16 cs.CV cs.LG
Wavelet Denoising and Attention-based RNN-ARIMA Model to Predict Forex Price
外汇市场趋势的每一次变化都为投资者带来了巨大的机会和风险。准确预测外汇价格是任何有效对冲或投机策略的关键因素。然而，外汇市场的复杂性使得预测问题具有挑战性，这促使了各个学科的广泛研究。本文提出了一种新的方法，集成小波去噪，基于注意力的递归神经网络（ARNN），自回归积分滑动平均（ARIMA）。小波变换去除了时间序列中的噪声，稳定了数据结构。ARNN模型能够很好地反映序列间的非线性关系，而ARIMA模型能够很好地拟合序列间的线性相关关系。通过三种模型的混合，该方法能够对外汇市场等动态系统进行建模。我们对USD/JPY五分钟数据的实验优于基线方法。混合方法的均方根误差（RMSE）为1.65，方向精度为~ 76%。
2020-08-16 cs.CE cs.CV
Beyond sparse denoising in frames: minimax estimation with a scattering transform
Ecole normale supérieure（法国国家科学研究中心高等师范学院）；Collège de France（法兰西学院）；Flatiron Institute, Simons Foundation（Flatiron研究所，Simons基金会）
本文提出一种基于散射变换的联合最小化与最大化 $\ell^1$ 范数的去噪估计器，在卡通图像上对所有 Lipschitz 指数 $α\leq 2$ 达到极小极大渐近界，并架起调和分析与深度卷积网络的桥梁。
2025-10-26 cs.CV
Rule of Three for Superresolution of Still Images with Applications to Compression and Denoising
DLQS LLC（DLQS有限责任公司）
我们描述了一种新的方法，用于超分辨率的静止图像（在小波域）的基础上重建丢失的细节子带像素在给定的第i级通过规则（Ro3）之间的近似子带的像素的这种水平，和像素的近似和细节子带的（i+1）级。直方图的配置文件表明，Ro3是适当的机制，以恢复丢失的细节子带像素在这些情况下。此外，通过消除细节子带像素（在最终的压缩方案中），我们获得了更大的压缩率。实验结果表明，我们的方法相比，更典型的方法在小波域的去噪和压缩。我们的方法不压缩，但有利于真正的压缩机的行动，在我们的情况下，联合图像专家组（JPEG）和JPEg2000，即Ro3作为催化剂压缩
2014-05-04 cs.CV
Denosing Using Wavelets and Projections onto the L1-Ball
Bilkent University（比尔肯特大学）
小波去噪和稀疏性去噪方法都是基于软阈值的。在基于稀疏性的去噪方法中，假设原始信号在某些变换域（如小波域）中是稀疏的，并且将含噪信号的小波子信号投影到L1球上以降低噪声。在本讲义中，我们证明了L1球的大小或等效的软门限值可以用线性代数来确定。其关键步骤是在L1范数费用函数的上图集上进行正交投影。
2014-06-10 cs.CV math.OC
Wavelet Integrated Convolutional Neural Network for ECG Signal Denoising
University of Yamanashi（山梨大学）
针对可穿戴干电极ECG测量的高强度噪声失真及频带重叠降噪难题，提出集成小波变换层的CNN模型提取干净ECG频率特征，低信噪比下降噪效率更优。
2025-01-12 cs.CV eess.SP
A deep convolutional neural network using directional wavelets for low-dose X-ray CT reconstruction
KAIST（韩国科学技术院）
由于X射线CT具有诱发癌症的潜在风险，因此在常规患者扫描时应降低其辐射剂量。然而，在低剂量X射线CT中，由于光子饥饿、射束硬化等原因，常常会产生严重的伪影，降低了诊断的可靠性。因此，低剂量X射线CT数据的高质量重建已成为CT界的重要研究课题之一。然而，传统的基于模型的去噪方法在计算上非常昂贵，并且图像域去噪方法几乎不处理CT特定的噪声模式。为了解决这些问题，我们提出了一种使用深度卷积神经网络（CNN）的算法，该算法应用于低剂量CT图像的小波变换系数。具体而言，通过使用方向小波变换来提取伪影的方向分量并利用带内和带间相关性，我们的深度网络可以有效地抑制CT特定噪声。此外，我们的CNN被设计为具有各种类型的残差学习架构，以实现更快的网络训练和更好的去噪。实验结果表明，该算法有效地消除了复杂的噪声模式的CT图像，起源于减少X射线剂量。此外，我们表明，小波域CNN是有效的，在消除低剂量CT的噪声相比，图像域CNN。我们的结果得到了几位放射科医生的严格评估，并在2016年AAPM低剂量CT挑战赛中获得了第二名。据我们所知，这项工作是第一个用于低剂量CT重建的深度学习架构，其有效性已得到严格评估和证明。
2017-10-14 cs.CV
Latent Denoising Diffusion GAN: Faster sampling, Higher image quality
Yokohama National University（横滨国立大学）
针对扩散模型推理慢且质量不及 GAN 的问题，本文提出潜空间去噪扩散 GAN，并用 Weighted Learning 提升多样性与画质，在三个数据集上达到扩散模型中的最优速度并全面超越前代方法。
2024-06-17 cs.CV
Neural shrinkage for wavelet-based SAR despeckling
小波收缩去噪方法能够在抑制噪声的同时保持信号的局部规律性。然而，传统的基于小波收缩的方法是不是时间尺度自适应跟踪局部时间尺度变化。本文提出了一种新的神经收缩算法（NS），用于合成孔径雷达（SAR）图像相干斑抑制。数值结果表明，新方法的性能优于标准滤波器，标准小波收缩去斑方法，和以前的NS。
2016-07-31 cs.CV
Spatial-Frequency U-Net for Denoising Diffusion Probabilistic Models
University of Chicago（芝加哥大学）；Microsoft Azure AI（微软Azure人工智能）
本文提出在小波空间而非像素空间中去噪扩散概率模型的新架构 SFUNet，通过空间频率感知卷积和注意力模块联合建模空间与频域信息，在多个数据集上生成更高质量图像。
2023-07-27 cs.CV cs.LG
3D Wavelet-Based Structural Priors for Controlled Diffusion in Whole-Body Low-Dose PET Denoising
School of Engineering, Zurich University of Applied Sciences, CH；Bioengineering Department；Imperial-X, Imperial College London, UK；DAMTP, University of Cambridge, UK；Lucerne University Teaching；Research Hospital, CH；Lung Institute, Imperial College London, UK；Cardiovascular Research Centre, Royal Brompton Hospital, UK；School of Biomedical Engineering \& Imaging Sciences, King's College London, UK；Yau Mathematical Sciences Center, Tsinghua University, CN
WCC-Net通过引入3D小波结构先验，提升低剂量PET去噪效果，实现更稳定的解剖结构与噪声分离。
2026-03-03 cs.AI 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
Unsupervised Denoising for Satellite Imagery using Wavelet Subband CycleGAN
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）；Korea Aerospace Research Institute (KARI)（韩国航空宇宙研究院）
多光谱卫星成像传感器获取各种光谱波段的图像，如红色（R），绿色（G），蓝色（B），近红外（N）等。由于每个光谱波段与地面上的对象的独特光谱特性，多光谱卫星图像可以用于各种地质调查应用。然而，由于传感器噪声引起的图像伪影往往会影响场景的质量，对卫星图像的应用产生负面影响。最近，深度学习方法被广泛探索用于去除卫星图像中的噪声。然而，大多数深度学习去噪方法都遵循监督学习方案，这需要匹配的噪声图像和干净图像对，而这些图像对在实际情况下很难收集。在本文中，我们提出了一种新的无监督的多光谱去噪方法的卫星图像小波子带周期一致性对抗网络（WavCycleGAN）。该方法基于无监督学习方案，使用对抗性损失和循环一致性损失来克服配对数据的缺乏。此外，与标准图像域cycleGAN相比，我们引入了一个小波子带域学习方案，用于有效的去噪，而不牺牲高频分量，如边缘和细节信息。对卫星图像中垂直条纹和波浪噪声的去除实验结果表明，该方法能有效去除噪声，并保留了卫星图像的重要高频特征。
2020-02-23 cs.CV cs.LG eess.IV
Robust Piecewise-Constant Smoothing: M-Smoother Revisited
City University of Hong Kong（香港城市大学）
本文重新讨论分段常数平滑的一种稳健估计，即M-平滑。从其广义公式开始，我们提出了一个数值方案/框架，用于通过一系列加权平均滤波（例如，箱式滤波、高斯滤波、双边滤波和引导滤波）。由于M平滑器和基于局部直方图的滤波器（如中值滤波器和模式滤波器）之间的等价性，所提出的框架通过一些盒滤波或高斯滤波实现直方图滤波器的快速近似。此外，高质量的分段常数平滑可以通过一些双边滤波或引导滤波集成在所提出的框架。深度图去噪实验表明了该框架的有效性。
2017-12-19 cs.CV
WD-DETR: Wavelet Denoising-Enhanced Real-Time Object Detection Transformer for Robot Perception with Event Cameras
School of Aeronautic Science and Engineering, Beihang University（航空科学与工程学院，北京航空航天大学）；Hangzhou Innovation Institute of Beihang University（北京航空航天大学杭州创新研究院）；Institute of Unmanned System, Beihang University（无人系统研究院，北京航空航天大学）；Tianmushan Laboratory Xixi Octagon City（天门山实验室西溪八角城）
针对事件相机密集表示噪声导致漏检的问题，提出 WD-DETR，通过小波去噪骨干、Transformer 检测头和 DRCB 混合编码器提升精度，并在 Jetson Orin NX 上实现约35 FPS实时推理。
2025-06-10 cs.CV cs.RO
DISGAN: Wavelet-informed Discriminator Guides GAN to MRI Super-resolution with Noise Cleaning
Max Planck Institute for Biological Cybernetics（马克斯·普朗克生物控制论研究所）；University Hospital Tübingen（图宾根大学医院）
本研究提出DISGAN模型，通过嵌入3D DWT+卷积单元的频率感知3D Unet判别器引导残差结构3D生成器，仅用超分辨率任务训练即可同时实现MRI超分辨率与去噪，在HCP数据及脑疾病数据上表现优异。
2023-08-23 cs.CV eess.IV
Low-Light Image Enhancement with Wavelet-based Diffusion Models
Sichuan University（四川大学）；Megvii Technology（旷视科技）；University of Electronic Science and Technology of China（电子科技大学）
本文提出DiffLL，通过基于小波的条件扩散模型和高频恢复模块，在保证恢复质量的同时大幅提升低光图像增强的效率与稳定性，并在多个基准上优于现有方法。
2023-09-25 cs.CV
Isotropic and Steerable Wavelets in N Dimensions. A multiresolution analysis framework for ITK
Institute of Fundamental Sciences, Massey University（梅西大学基础科学研究所）
本文档介绍了外部模块ITKIsotropicWavelet的实现，ITKIsotropicWavelet是一种在频域中使用各向同性和可操纵小波的多分辨率（MRA）分析框架。该框架为最先进的滤波器提供了骨干，用于N维中的去噪，特征检测或相位分析。它专注于可重用性，高度解耦的模块，易于扩展和实现新的过滤器，它包含一个过滤器的多分辨率相位分析，骨干的多尺度分析提供了一个各向同性的带限小波金字塔，和检测的方向特征是通过耦合金字塔与广义Riesz变换。N阶广义Riesz变换的行为类似于信号的N阶导数的平滑版本。此外，它是可操纵的：其分量脉冲响应可以旋转到任何空间方向，从而减少检测方向特征时的计算时间。
2017-10-03 cs.CV
Wavelet Transform-assisted Adaptive Generative Modeling for Colorization
Nanchang University（南昌大学）
无监督深度学习最近已经证明了产生高质量样本的前景。虽然该算法在图像彩色化方面有着巨大的潜力，但由于数据流形维数高，模型容量大，其性能受到限制。本研究提出一种新的方案，利用小波域的基于得分的生成模型来解决这个问题。该模型利用小波变换的多尺度和多通道表示特性，从叠加的粗小波系数分量和细小波系数分量中联合有效地学习更丰富的先验信息。该策略还降低了原始流形的维数，消除了维数灾难，有利于估计和采样。此外，在小波域的双重一致性条款，即数据一致性和结构一致性的设计，以更好地利用彩色化任务。具体而言，在训练阶段，一组多通道张量组成的小波系数被用作训练网络的输入与去噪得分匹配。在推理阶段，通过退火Langevin动力学与数据和结构迭代生成样本。实验结果表明，该方法在生成质量和彩色化质量上都有明显的提高，尤其是在彩色化的鲁棒性和多样性方面。
2022-08-18 cs.CV
Deep Convolutional Framelet Denoising for Panoramic by Mixed Wavelet Integration
Islamic Azad University of Mashhad（马什哈德伊斯兰阿扎德大学）
本文提出将Daubechies（D4）小波与波形集成，并结合u-Net架构进行X射线图像去噪，在PSNR和SSIM指标上验证了该方法相比单小波网络的有效性提升。
2024-08-30 cs.CV eess.IV
