Why Low-Light Cameras Go Color Blind: Removing Color Bias in Raw Denoising
University of Toronto（多伦多大学）；Vector Institute（向量研究所）；AI-Center Toronto, Samsung Electronics（多伦多人工智能中心，三星电子公司）；York University（约克大学）
研究低光原始图像去噪，提出无需相机校准的范式，引入偏差估计器网络预测黑电平误差，在多个数据集上评估表现出色，还发现SIDD数据集问题并提供校正基准。
2026-07-14 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
Context-Aware Image Denoising with Auto-Threshold Canny Edge Detection to Suppress Adversarial Perturbation
Portland State University（波特兰州立大学）
本文提出了一种新的上下文感知的图像去噪算法，结合自适应图像平滑技术和颜色减少技术，以消除干扰，从敌对的图像。自适应图像平滑是使用自动阈值Canny边缘检测来实现的，以产生用于产生保留更多边缘特征的模糊图像的准确边缘图。该算法然后使用颜色减少技术来重建图像，只使用几个代表性的颜色。通过这种技术，该算法可以减少对抗性扰动对图像的影响。我们还讨论了分类精度的实验数据。我们的研究结果表明，该方法减少了对抗攻击中的对抗性扰动，提高了深度卷积神经网络模型的鲁棒性。
2021-01-14 cs.CV
Beyond Model Design: Data-Centric Training and Self-Ensemble for Gaussian Color Image Denoising
Hefei University of Technology（合肥工业大学）；Hangzhou Dianzi University（杭州电子科技大学）；Jinan University（暨南大学）；South China Agricultural University（华南农业大学）；The University of Tokyo（东京大学）
本文提出解决NTIRE 2026图像去噪挑战的新方法，通过更强大的数据导向训练和更完整的测试时间能力释放，提升Restormer架构性能。在固定噪声水平σ=50下，通过扩大训练数据集和两阶段优化，使PSNR提升至30.762 dB，SSIM达0.861。
2026-04-27 cs.CV
Polarized Color Image Denoising using Pocoformer
偏振彩色摄影在一个快照中提供了视觉纹理和物体表面信息。然而，与常规彩色成像相比，使用定向偏振滤光器阵列导致极低的光子计数和SNR。因此，该特征本质上导致令人不愉快的噪声图像并且破坏偏振分析性能。这对传统的图像处理流水线来说是一个挑战，因为通道中隐含的物理约束过于复杂。为了解决这个问题，我们提出了一种基于学习的方法，同时恢复干净的信号和精确的偏振信息。捕获成对的原始短曝光噪声和长曝光参考图像的真实世界偏振彩色图像数据集以支持基于学习的流水线。此外，我们拥抱Vision Transformer的发展，并提出了一个混合的Transformer模型的偏振彩色图像去噪，即PoCoformer，为更好的恢复性能。大量的实验验证了该方法的有效性，并对影响结果的关键因素进行了分析.
2023-03-02 cs.CV eess.IV
A Review of an Old Dilemma: Demosaicking First, or Denoising First?
Inner Mongolia University（内蒙古大学）；ENS Paris-Saclay（巴黎-萨克雷高等师范学院）；CNRS（法国国家科学研究中心）
图像去噪和去马赛克是数码相机流水线中最重要的早期阶段。它们构成了一个严重不适定的问题，旨在从噪声滤色器阵列（CFA）图像重建全色图像。在大多数文献中，去噪和去马赛克被视为两个独立的问题，没有考虑它们之间的相互作用，或者问应该先应用哪个。最近的几项工作已经开始在涉及重量级CNN的工作中联合解决它们，因此与低功率便携式成像设备不兼容。因此，如何结合去噪和去马赛克来重建全色图像的问题仍然非常重要：是先应用去噪，还是先去马赛克？在本文中，我们回顾了这些策略的主要变体，并进行了广泛的评估，以找到最好的方法来重建全彩色图像从嘈杂的马赛克。我们的结论是，去马赛克应首先应用，其次是去噪。然而，我们证明，这需要适应经典的去噪算法去马赛克噪声，我们证明和指定。
2020-04-24 cs.CV eess.IV
Non-Local Color Image Denoising with Convolutional Neural Networks
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术学院）
我们提出了一种新的深度网络架构，用于基于非局部图像模型的灰度和彩色图像去噪。我们的动机所提出的网络的整体设计源于变分方法，利用自然图像固有的非局部自相似性。我们建立在这个概念的基础上，并引入了执行非本地处理的深度网络，同时它们也从判别学习中受益匪浅。伯克利分割数据集上的实验，比较几个国家的最先进的方法，表明所提出的非局部模型实现了最好的报告去噪性能的灰度和彩色图像的所有测试的噪声水平。值得注意的是，与现有的替代深度网络架构相比，这种性能的提高并没有增加网络容量的成本。此外，我们强调了所提出的非局部模型与卷积神经网络的直接联系。这种连接非常重要，因为它使我们的模型能够充分利用深度学习中GPU计算的最新进展，并通过其固有的并行性使其易于有效实现。
2017-07-10 cs.AI cs.CV
End-to-End Denoising of Dark Burst Images Using Recurrent Fully Convolutional Networks
Fuzhou University（福州大学）；TCL Corporate Research（TCL集团研究院）
在暗光环境下拍照时，由于进入的光线很少，拍摄的图像通常非常暗，有大量的噪声，颜色不能反映真实世界的颜色。在这种情况下，传统的单帧图像去噪方法往往不能取得很好的效果。一个常见的想法是采用同一场景的多个帧来增强信噪比。本文提出了一种递归全卷积网络（RFCN）来处理在极低光照条件下拍摄的突发照片，并获得具有改善亮度的去噪图像。我们的模型将原始连拍图像直接映射到sRGB输出，以生成最佳图像或生成多帧降噪图像序列。该过程已被证明能够完成去噪的低级任务，以及颜色校正和增强的高级任务，所有这些都是通过我们的网络进行端到端处理的。我们的方法比最先进的方法取得了更好的结果。此外，我们应用了由一种类型的相机训练的模型，而没有对不同相机拍摄的照片进行微调，并获得了类似的端到端增强。
2019-04-16 cs.CV
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
DARK: Denoising, Amplification, Restoration Kit
University of Michigan（密歇根大学）
针对低光照图像噪声、色偏与细节丢失问题，提出基于 Retinex 理论和轻量 CNN 的 DARK 框架，以低计算开销实现更优实时增强。
2024-05-21 cs.CV
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 salt and pepper noise image denoising method based on the generative classification
Liaoning Normal University（辽宁师范大学）；Jilin University（吉林大学）
提出了一种针对椒盐噪声的图像去噪算法。该算法首先以图像块为基本单元建立生成模型，然后定位图像块中的噪声，以更好地描述图像块，从而获得更好的后续聚类结果。其次，该算法使用生成聚类方法对补丁进行分类，从而为噪声修复提供额外的相似性信息，并抑制噪声的干扰，放弃那些由较少数量的补丁组成的类别。最后，该算法构造了一个非局部开关滤波器来滤除椒盐噪声。仿真结果表明，该算法能有效地去除各种密度的椒盐噪声。它获得了更好的视觉质量和更高的峰值信噪比分数比几个国家的最先进的算法。总之，该算法以含噪斑块为基本单元，采用斑块聚类的方法对修复数据集进行优化，获得了较好的去噪效果，为以后的去噪和修复方法提供了指导。
2018-07-15 cs.CV
Multi-channel Nuclear Norm Minus Frobenius Norm Minimization for Color Image Denoising
Southwest University（西南大学）
彩色图像去噪在各种图像处理和计算机视觉任务中经常遇到。一种传统的策略是将RGB图像转换到相关性较低的颜色空间，并分别对新空间的每个通道进行降噪。然而，这样的策略不能充分利用通道之间的相关信息，不足以获得令人满意的结果。针对这一问题，在核范数减Frobenius范数最小化框架下，提出了一种新的彩色图像去噪多通道优化模型。具体来说，基于块匹配，将彩色图像分解为重叠的RGB块。对于每个补丁，我们堆叠其相似的邻居，形成相应的补丁矩阵。所提出的模型上执行的补丁矩阵，以恢复其无噪声版本。在恢复过程中，a）引入权值矩阵，充分利用信道间的噪声差异; b）在不额外分配权值的情况下，自适应收缩奇异值。有了它们，所提出的模型可以在保持简单性的同时取得有希望的结果。为了求解该模型，基于乘子框架的交替方向法建立了一种精确有效的算法。每个更新步骤的解可以解析地表示为闭形式。通过严格的理论分析，证明了该算法产生的解序列收敛到各自的平稳点。在合成和真实噪声数据集上的实验结果表明，该模型优于现有的模型。
2022-09-16 cs.CV cs.LG eess.IV
Noise-Level Estimation from Single Color Image Using Correlations Between Textures in RGB Channels
The University of Tokyo（东京大学）；Morpho, Inc.（莫尔福公司）
我们提出了一种简单的方法来估计噪声水平从一个单一的彩色图像。在大多数图像去噪算法中，准确的噪声水平估计会导致良好的去噪性能;然而，从单个图像估计噪声水平是困难的，因为它是一个不适定问题。我们通过使用纹理在RGB通道之间高度相关并且噪声与其他信号不相关的先验知识来解决这个问题。我们还将我们的方法扩展到RAW图像，因为它们几乎可以在所有的数码相机中使用，并且经常在实际情况中使用。实验表明，我们的方法在合成噪声图像的高噪声估计性能。我们还将我们的方法应用于自然图像，包括RAW图像，并取得了比传统方法更好的噪声估计性能。
2019-04-04 cs.CV
EMDS-6: Environmental Microorganism Image Dataset Sixth Version for Image Denoising, Segmentation, Feature Extraction, Classification and Detection Methods Evaluation
Northeastern University（东北大学）；Chengdu University of Information Technology（成都信息工程大学）；University of Lübeck（吕贝克大学）；Shengjing Hospital, China Medical University（中国医科大学附属盛京医院）；Liaoning Shihua University（辽宁石油化工大学）；University of New South Wales（新南威尔士大学）
环境微生物（Environmental microorganisms，EM）普遍存在于我们周围，对人类社会的生存和发展有着重要的影响。然而，由于环境微生物（EM）数据制备的高标准和严格要求，导致现有的相关数据库不足，更不用说具有GT图像的数据库。这一问题严重影响了相关实验的进展。因此，本研究开发了包含21种EM的环境微生物数据集第六版（EMDS-6）。每种类型的EM包含40个原始图像和40个GT图像，总共1680个EM图像。在本研究中，为了测试EMDS-6的有效性。选取了图像去噪、图像分割、目标检测等图像处理的经典算法。实验结果表明，EMDS-6可用于评价图像去噪、图像分割、图像特征提取、图像分类和目标检测方法的性能。
2022-04-25 cs.CV
AquaDiff: Diffusion-Based Underwater Image Enhancement for Addressing Color Distortion
AquaDiff通过融合色先验和条件扩散过程，有效纠正水下图像颜色失真，提升整体图像质量。
2025-12-15 cs.CV
Pushing Joint Image Denoising and Classification to the Edge
Delft University of Technology（代尔夫特理工大学）
针对边缘设备计算能力有限的问题，提出整合图像去噪与分类的新型架构，并改进NAS方法以兼顾延迟、准确率和去噪效果，性能优于手动设计方案，可适配多领域定制需求。
2024-09-13 cs.CV eess.IV
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
Burst Denoising of Dark Images
在极低光照条件下捕获图像对标准相机流水线构成了重大挑战。图像变得太暗和太嘈杂，这使得传统的图像增强技术几乎不可能应用。最近，研究人员使用基于学习的方法取得了可喜的成果。受这些想法的启发，在本文中，我们提出了一个深度学习框架，用于从极暗的原始图像中获得干净而多彩的RGB图像。我们框架的主干是一种新颖的由粗到细的网络架构，它以渐进的方式生成高质量的输出。粗网络预测一个低分辨率的，去噪的原始图像，然后将其馈送到细网络以恢复精细尺度的细节和逼真的纹理。为了进一步降低噪声并提高颜色准确性，我们将该网络扩展到一个置换不变结构，以便它将一组低光图像作为输入，并在特征级合并来自多个图像的信息。我们的实验表明，所提出的方法比最先进的方法产生更清晰，更高质量的图像，从而产生更令人愉悦的结果。
2020-06-18 cs.CV
Multi-Task Learning with Additive U-Net for Image Denoising and Classification
IIITB（印度班加罗尔IIITB）；Center for Brain Research, IISc（印度班加罗尔IISc脑研究中心）
加法U-Net通过加法跳过融合提升图像去噪和分类的多任务学习性能，实现稳定且可扩展的模型训练。
2026-02-13 cs.AI cs.CV cs.LG
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
Contextual Checkerboard Denoise -- A Novel Neural Network-Based Approach for Classification-Aware OCT Image Denoising
Bangladesh University of Engineering and Technology（孟加拉工程技术大学）
针对医学图像去噪需保留关键特征且监督式方法实用性差的问题，提出上下文棋盘去噪方法，仅用含噪图像学习去噪，在OCT图像上提升质量与诊断准确性。
2024-11-29 cs.CV cs.LG eess.IV
Impulsive noise removal from color images with morphological filtering
Chelyabinsk State University（车里雅宾斯克国立大学）
本文研究彩色图像中脉冲噪声的去除。提出的噪声去除算法采用了一种新的方法与形态滤波的彩色图像去噪，即检测损坏的像素和去除检测到的噪声通过形态滤波。通过计算机模拟，证明了该算法能有效地去除脉冲噪声。在图像复原指标和处理速度方面，与常见的成功算法进行了比较。
2017-07-11 cs.CV
A note on patch-based low-rank minimization for fast image denoising
Northeastern University at Qinhuangdao（东北大学秦皇岛分校）；Univ Bretagne-Sud（南布列塔尼大学）
基于块的低秩最小化方法在图像处理中的应用近年来受到广泛关注。矩阵秩的最小化与Frobenius范数数据保真度耦合可以通过具有主成分分析（PCA）或奇异值分解（SVD）的硬阈值滤波器来解决。基于这一思想，我们提出了一种基于块的低秩最小化图像去噪方法。主要的去噪过程被描述为三种等价的方法：PCA，SVD和低秩最小化。实验结果表明，与现有的基于块的稀疏表示方法相比，该方法速度快，对各种自然灰度图像和彩色图像，特别是图像中的纹理部分都有效。并对该方法进行了进一步的改进。此外，由于该方法的简单性，我们可以提供一个解释的阈值参数的选择，估计的PSNR值，并给出其他见解，这种方法。
2018-02-21 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
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
An Effective Image Restorer: Denoising and Luminance Adjustment for Low-photon-count Imaging
The University of Hong Kong（香港大学）
在光子稀缺的情况下成像给许多应用带来了挑战，因为捕获的图像具有低信噪比和低亮度。本文通过模拟量子图像传感器（QIS）的成像过程，研究了低光子数条件下的原始图像复原问题。我们开发了一个轻量级的框架，它包括一个多级金字塔去噪网络（MPDNet）和一个亮度调整（LA）模块，以实现单独的去噪和亮度增强。我们的框架的主要组成部分是多跳过注意力残留块（MARB），它集成了多尺度特征融合和注意力机制，以更好的特征表示。我们的MPDNet采用拉普拉斯金字塔的思想来学习不同层次的小尺度噪声图和大尺度高频细节，并对多尺度输入图像进行特征提取，以编码更丰富的上下文信息。我们的LA模块通过估计其亮度来增强去噪图像的亮度，这可以更好地避免颜色失真。大量的实验结果表明，我们的图像恢复器可以实现良好的性能与各种光子水平的退化图像抑制噪声和恢复亮度和颜色有效。
2021-11-02 cs.CV eess.IV
Zero-Shot Image Restoration Using Denoising Diffusion Null-Space Model
Peking University Shenzhen Graduate School（北京大学深圳研究生院）；Peng Cheng Laboratory（鹏城实验室）
现有的图像复原模型大多是针对特定任务的，不能推广到不同的退化算子。在这项工作中，我们提出了去噪扩散零空间模型（DDNM），一个新的zero-shot框架的任意线性IR问题，包括但不限于图像超分辨率，彩色化，修复，压缩感知，去模糊。DDNM只需要一个预先训练的现成扩散模型作为生成先验，而不需要任何额外的训练或网络修改。通过在反向扩散过程中仅细化零空间内容，我们可以得到满足数据一致性和真实性的各种结果。我们进一步提出了一个增强和强大的版本，称为DDNM+，以支持噪声恢复和提高恢复质量的硬任务。我们在几个红外任务上的实验表明，DDNM优于其他国家的最先进的zero-shot红外方法。我们还证明了DDNM+可以解决复杂的现实世界的应用，例如，旧照片修复
2022-12-07 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
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
Image Denoising via CNNs: An Adversarial Approach
Indian Institute of Science（印度科学理工学院）
有没有可能使用卷积神经网络从噪声版本中恢复图像？这是一个有趣的问题，因为卷积层通常用作分类，分割和目标检测等任务的特征检测器。我们提出了一种新的用于盲图像去噪的CNN架构，该架构协同结合了三个架构组件，一个多尺度特征提取层，有助于减少噪声对特征图的影响，一个l_p正则化器，有助于仅选择适当的特征图用于重建任务，最后是一个三步训练方法，该方法利用对抗训练来提高模型的最终性能。与最先进的方法相比，所提出的模型显示出具有竞争力的去噪性能。
2017-08-01 cs.CV
Small, Bias-Free, Blind and Convolutional Denoiser: A compact ConvNeXt U-Net for blind Gaussian color-image denoising
Electiconsulting（电子咨询公司）
研究针对盲高斯彩色图像去噪，提出结合多种要素的紧凑型无偏差ConvNeXt U-Net即BF-ConvUNeXt。通过特殊设计使其具有齐次性，能盲态泛化。训练单一模型，在多数据集多噪声水平下评估表现良好，虽略落后于最优技术，但参数少，还推动相关逆问题研究。
2026-07-28 cs.CV eess.IV
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
Approaching the Computational Color Constancy as a Classification Problem through Deep Learning
Yonsei University（延世大学）
计算颜色恒常性是指计算光源颜色的问题，使得在变化的照明下的场景的图像可以被归一化为在规范照明下的图像。在本文中，我们采用深度学习框架来解决光照估计问题。该方法在场景均匀光照的假设下工作，目标是精确的光源颜色计算。具体来说，我们训练了卷积神经网络，通过将颜色恒定性问题转换为照明分类问题来解决该问题。我们设计了深度学习架构，以便网络的输出可以直接用于计算照明的颜色。实验结果表明，我们的深度网络能够提取有用的照明估计特征，并且我们的方法在多个测试数据集上的性能优于所有以前的颜色恒定性方法。
2016-08-29 cs.CV
Universal Denoising Networks : A Novel CNN Architecture for Image Denoising
Skolkovo Institute of Science and Technology (Skoltech)（斯科尔科沃科学技术研究院（斯科尔科沃科技学院）(Skoltech)）
我们设计了一种新的网络架构，用于学习判别图像模型，用于有效地解决灰度和彩色图像去噪的问题。基于所提出的架构，我们介绍了两种不同的变体。第一个网络涉及卷积层作为核心组件，而第二个网络则依赖于非局部过滤层，因此它能够利用自然图像固有的非局部自相似特性。与大多数现有的深度网络方法相反，这些方法需要为每个考虑的噪声水平训练特定的模型，所提出的模型能够使用单个学习参数集来处理各种噪声水平，同时当使潜像降级的噪声与训练期间使用的噪声统计数据不匹配时，它们非常鲁棒。后一种说法是支持的结果，我们报告的公开可用的图像被未知的噪声破坏，我们对竞争的方法获得的解决方案进行比较。同时，引入的网络在加性高斯白噪声（AWGN）下取得了优异的结果，与当前最先进的网络相当，而它们依赖于更浅的架构，训练参数的数量小一个数量级。这些特性使得所提出的网络成为处理一般逆成像问题（如去模糊、去马赛克、超分辨率等）的恢复方法的子求解器的理想候选者。
2018-03-24 cs.CV
Multi-band Weighted $l_p$ Norm Minimization for Image Denoising
University of Torontoland（多伦多兰大学）；Googol ShallowMind（谷歌浅智）
低秩矩阵近似（LRMA）在计算机视觉和机器学习中有着广泛的应用，近年来受到了越来越多的关注。然而，LRMA，核范数最小化（NNM）实现，往往过度收缩的秩分量具有相同的阈值，忽略了秩分量之间的差异。为了解决这个问题，我们提出了一个灵活和精确的模型命名为多带加权$l_p$范数最小化（MBWPNM）。MBWPNM不仅给出了Schatten $p$ -范数下更精确的逼近，而且考虑了不同秩分量重要性不同的先验知识。对MBWPNM的解进行了分析，证明了MBWPNM在一定的权值条件下等价于一个非凸$l_p$范数子问题，其全局最优解可以用广义软阈值算法求解.然后采用MBWPNM算法对彩色和多光谱图像进行去噪。加性高斯白噪声去除和真实噪声去除实验表明，该算法比现有的几种算法具有更好的性能。
2020-06-23 cs.CV
Deep Semantic Statistics Matching (D2SM) Denoising Network
Johns Hopkins University（约翰斯·霍普金斯大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
图像复原的最终目的是找到清晰图像域和噪声域之间的精确相关性。但是端到端去噪学习的优化（如像素损失）是以样本到样本的方式进行的，这忽略了图像的内在相关性，特别是语义。本文介绍了深度语义统计匹配（D2SM）去噪网络。它利用预训练的分类网络的语义特征，然后隐式地匹配语义特征空间中清晰图像的概率分布。通过学习保持去噪图像的语义分布，我们根据经验发现我们的方法显着提高了网络的去噪能力，并且去噪结果可以被高级视觉任务更好地理解。在有噪声的Cityscapes数据集上进行的综合实验表明，该方法在去噪性能和语义分割准确性方面都具有优越性。此外，我们的扩展任务，包括超分辨率和去雾实验观察到的性能改善显示其作为一个新的通用即插即用组件的潜力。
2022-07-19 cs.CV
Assessing The Impact of CNN Auto Encoder-Based Image Denoising on Image Classification Tasks
Bu-Ali Sina University（布阿里·西拿大学）
针对工业铸件含噪图像缺陷检测问题，提出结合噪声类型识别与适配去噪的分类流水线，显著提升了VGG16、InceptionV3等模型的缺陷检测准确率。
2024-05-12 cs.CV cs.LG eess.IV
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
Joint Multi-Scale Tone Mapping and Denoising for HDR Image Enhancement
Purdue University（普渡大学）；Sensebrain Technology（Sensebrain科技）
用于高动态范围（HDR）成像的图像处理单元（IPU）或图像信号处理器（ISP）通常包括去马赛克、白平衡、镜头阴影校正、颜色校正、去噪和色调映射。除了来自成像传感器的噪声外，ISP中的几乎每一步都以不同的方式引入或放大噪声，去噪算子旨在减少来自这些来源的噪声。专为动态范围压缩而设计，ISP中的色调映射运算符可以显着放大噪声水平，特别是对于在弱光条件下捕获的图像，使得去噪非常困难。因此，我们提出了一个联合多尺度去噪和色调映射框架，该框架的设计考虑到了HDR图像的两种操作。我们的联合网络以端到端的格式进行训练，同时优化两个算子，以防止色调映射算子压倒去噪算子。在我们的大多数基准测试数据集上，我们的模型在定量和定性方面都优于现有的HDR去噪和色调映射算子。
2023-03-23 cs.CV eess.IV
Denoising Textures is a Different Ballgame Altogether!
Indian Institute of Science（印度科学学院）；Northwestern University（西北大学）；University of Rochester（罗切斯特大学）
本文针对纹理去噪研究发现，SOTA去噪器需在纹理数据集上微调以提升性能，但微调会致模型灾难性遗忘原始数据集，强调需开发专用感知纹理去噪器以支撑下游任务。
2026-10-16 cs.CV eess.IV
Poisson Informed Retinex Network for Extreme Low-Light Image Enhancement
Indian Institute of Technology Kharagpur（印度理工学院卡拉甘普尔）
针对极暗光照下的泊松噪声去噪与增强问题，提出一种结合Retinex分解与泊松去噪损失的轻量级编码器-解码器网络，在不需先验的条件下有效提升图像亮度并保持结构与颜色恒常性。
2025-10-31 cs.CV eess.IV
Rank-One Network: An Effective Framework for Image Restoration
Fudan University（复旦大学）
图像的主秩一（RO）分量代表了图像的自相似性，这是图像恢复的一个重要特性。然而，通过图像去噪的过程，损坏的图像的RO分量可以被抽取。我们建议在图像恢复中应充分利用反渗透特性，避免抽取。为了实现这一点，我们提出了一个由两个模块组成的新框架，即，RO分解和RO重构。反渗透分解被开发用于将污染图像分解成反渗透分量和残差。这是通过连续地将RO投影应用于图像或其残差以提取RO分量来实现的。基于神经网络的RO投影提取图像的最接近的RO分量。RO重建的目的是分别从RO分量和残差中重建重要信息，以及从这些重建信息恢复图像。四个任务的实验结果，即，无噪声图像超分辨率、真实感图像超分辨率、灰度图像去噪和彩色图像去噪的实验结果表明，该方法是一种有效的图像恢复方法，对真实感图像超分辨率和彩色图像去噪都有较好的效果。
2020-11-25 cs.CV eess.IV
Structural Restricted Boltzmann Machine for image denoising and classification
Intelligent Systems Group（智能系统组）
针对传统受限玻尔兹曼机参数过多的问题，提出基于图像像素空间邻域约束隐藏单元连接的结构化RBM，在图像去噪和分类任务上实现了更快更稳定的训练和更优性能。
2023-06-16 cs.CV stat.ML
Progressive Joint Low-light Enhancement and Noise Removal for Raw Images
Dongguk University（东国大学）；Korea University（高丽大学）
移动设备上的低光成像通常具有挑战性，因为通过相对小的孔径入射的光不足，导致低信噪比。以前的大多数弱光图像处理工作要么只集中在单一的任务上，如照度调节、色彩增强或噪声去除;或者基于严重依赖于从特定相机模型收集的短-长曝光图像对的联合照明调节和去噪任务，因此这些方法在需要相机特定的联合增强和恢复的真实世界环境中不太实用和通用。为了解决这个问题，在本文中，我们提出了一个低光图像处理框架，执行联合照明调整，颜色增强，去噪。考虑到特定模型数据采集的困难和捕获图像的超高清晰度，我们设计了两个分支：系数估计分支以及联合增强和去噪分支。系数估计分支在低分辨率空间中工作，并通过双边学习预测用于增强的系数，而联合增强和去噪分支在全分辨率空间中工作，并逐步执行联合增强和去噪。与现有方法相比，我们的框架在适应另一种相机模型时不需要收集大量数据，这大大减少了为实际使用而微调我们的方法所需的努力。通过大量的实验，我们证明了它在现实世界中的低光成像应用的巨大潜力相比，目前国家的最先进的方法。
2022-09-02 cs.CV eess.IV
Pan-denoising: Guided Hyperspectral Image Denoising via Weighted Represent Coefficient Total Variation
School of Mathematics and Statistics, Northwestern Polytechnical University（西北工业大学数学与统计学院）；Research and Development Institute of Northwestern Polytechnical University in Shenzhen（西北工业大学深圳研究院）
本文提出 pan-denoising 范式，利用低噪声 PAN 图像引导 HSI 去噪，并设计 PWRCTV 正则化与 ADMM 求解模型，实验证明其去噪及提升下游分类性能的优势。
2024-09-09 cs.CV eess.IV
CPDDNet: Color-Polarization Denoising and Demosaicking Network
提出CPDDNet联合框架，通过特征融合模块同时处理彩色偏振滤波阵列传感器原始数据的去噪和去马赛克，显著提升图像质量和偏振参数精度。
2026-07-02 cs.CV
KRNET: Image Denoising with Kernel Regulation Network
University of Florida（佛罗里达大学）；Sun Yat-Sen University（中山大学）
图像去噪的一种流行策略是设计一个广义正则化项，该项能够探索隐含的先验底层数据观测。卷积神经网络（CNN）已经显示出通过由输入上的内核（滤波器）的组合定义的层的堆栈来学习图像先验信息的强大能力。然而，现有的基于CNN的方法主要集中在合成灰度图像。这些方法在处理多通道彩色图像去噪时仍然表现出较低的性能。在本文中，我们通过开发核调节模块来优化CNN正则化能力。特别地，我们提出了一种核调节网络块，简称KR块，它综合了大核和小核的优点，可以有效地估计特征，解决图像去噪问题。我们通过连接多个KR块来构建一个基于CNN的深度去噪器，称为KRNET。我们评估KRNET加性高斯白噪声（AWGN），多通道（MC）噪声和现实噪声，其中KRNET获得显着的性能增益超过国家的最先进的方法在广泛的噪声水平。
2019-10-20 cs.CV cs.LG eess.IV
Structural Guidance for Unified Joint Demosaicing and Denoising
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））
该研究提出含SwinIR恢复分支、结构推理分支与轻量适配器的结构引导统一恢复框架，在多CFA模式和噪声水平实验中较现有方法实现一致性能提升，增强了相机图像恢复的鲁棒性。
2026-11-13 cs.CV eess.IV
Denoising Diffusion Restoration Models
Technion（以色列理工学院）；NVIDIA（英伟达）
图像复原中许多有趣的问题都可以归结为线性逆问题。最近的一个家庭的方法来解决这些问题，使用随机算法，样品从后验分布的自然图像的测量。然而，有效的解决方案通常需要特定于问题的监督训练来建模后验，而非特定于问题的无监督方法通常依赖于低效的迭代方法。这项工作通过引入去噪扩散恢复模型（DDRM），一种有效的，无监督的后验采样方法来解决这些问题。受变分推理的启发，DDRM利用预训练的去噪扩散生成模型来解决任何线性逆问题。我们展示了DDRM的多功能性的超分辨率，去模糊，修补和着色下的各种测量噪声量的图像数据集。DDRM在重建质量、感知质量和运行时间方面优于当前领先的无监督方法，比最接近的竞争对手快5倍。DDRM也很好地概括了观察到的ImageNet训练集分布之外的自然图像。
2022-10-12 cs.CV cs.LG eess.IV
Efficient and Robust Remote Sensing Image Denoising Using Randomized Approximation of Geodesics' Gramian on the Manifold Underlying the Patch Space
University of Rhode Island（罗德岛大学）；Quinnipiac University（昆尼皮亚克大学）；Texas A&M University - Corpus Christi（德州农工大学科珀斯克里斯蒂分校）
针对现有遥感图像去噪算法性能不足或资源消耗大的问题，提出一种无需额外训练样本的方法，通过划分图像斑块、利用测地线Gramian矩阵奇异值谱随机近似揭示低秩流形并加权合并颜色通道，实现高效鲁棒去噪。
2025-04-15 cs.CV eess.IV
Evaluating Similitude and Robustness of Deep Image Denoising Models via Adversarial Attack
School of Mathematics, Harbin Institute of Technology（哈尔滨工业大学数学学院）；School of Computer Science and Technology（计算机科学与技术学院）
本文通过对抗攻击方法评估深度图像去噪模型的相似性和鲁棒性，发现主流模型在灰度和彩色图像中共享对抗样本集，提出鲁棒性相似性指标，表明数据驱动的非盲去噪模型最鲁棒。
2023-07-07 cs.CV cs.LG eess.IV
NODE-ImgNet: a PDE-informed effective and robust model for image denoising
University of Strathclyde（斯特拉斯克莱德大学）；University College London（伦敦大学学院）；The Alan Turing Institute（艾伦·图灵研究所）；Oklahoma State University（俄克拉荷马州立大学）；University of Georgia（佐治亚大学）
本研究受传统PDE图像去噪方法启发，提出结合NODEs与CNN模块的NODE-ImgNet模型，兼具ResNet去噪优势，在多场景去噪及小数据集学习上表现更优，提升了去噪精度与参数效率。
2023-11-06 cs.CV cs.LG eess.IV
Good Similar Patches for Image Denoising
Portland State University（波特兰州立大学）
像BM3D这样的基于补丁的去噪算法已经取得了出色的性能。这些方法成功的一个重要思想是利用输入图像中相似块的递归来估计底层图像结构。然而，在这些算法中，用于去噪的相似块通过最近邻搜索（NNS）获得，并且有时不是最优的。首先，由于噪声的存在，NNS可以选择与参考贴片具有相似噪声模式的相似贴片。其次，数字图像中不可靠的噪声像素会给补丁搜索过程带来偏差，并导致最终去噪结果中的颜色保真度损失。我们观察到，给定一组良好的相似补丁，它们的分布不一定集中在有噪声的参考补丁，可以近似为高斯分量。基于这一观察，我们提出了一种补丁搜索方法，聚类相似的补丁候选补丁组使用高斯混合模型为基础的聚类，并选择补丁组，其中包含参考补丁作为最终的补丁去噪。我们还使用了一个不可靠的像素估计算法来预处理的输入噪声图像，以进一步提高补丁搜索。我们的实验表明，我们的方法可以更好地捕捉底层补丁结构，并可以始终使国家的最先进的基于补丁的去噪算法，如BM3D，LPCA和PLOW，更好地去噪图像，通过提供他们与补丁发现我们的方法，而不修改这些算法。
2019-01-18 cs.CV cs.GR eess.IV
