Fast Adaptive Bilateral Filtering
Indian Institute of Science（印度科学学院）
在经典的双边滤波器中，使用固定的高斯范围核以及用于边缘保持平滑的空间核。我们认为这个过滤器的泛化，所谓的自适应双边过滤器，其中的中心和宽度的高斯范围内核是允许改变从像素到像素。虽然这种变体最初是为了锐化和噪声去除而提出的，但它也可以用于其他应用，例如伪影去除和纹理过滤。与双边滤波器类似，自适应滤波器的蛮力实现需要大量的计算。虽然在文献中已经提出了几种快速算法用于双边滤波，但它们中的大多数仅适用于固定范围的核。本文提出了一种自适应双边滤波的快速算法，其复杂度不随空域滤波器宽度的变化而变化。这是基于这样的观察，即可以使用适当定义的局部直方图纯粹在范围空间中执行相关滤波。我们表明，通过用多项式代替直方图，用积分代替有限范围空间和，我们可以用解析函数近似滤波器。特别是，一个有效的算法是使用以下创新：多项式拟合匹配其时刻的目标直方图（这是使用快速卷积），并使用部分积分递归计算的解析函数。我们的算法可以加速至少$20 \times$的蛮力实现，没有明显的失真的视觉质量。我们证明了我们的算法锐化，JPEG去块，纹理滤波的有效性。
2018-11-06 cs.CV
Fast and High-Quality Bilateral Filtering Using Gauss-Chebyshev Approximation
Indian Institute of Science（印度科学学院）
双边滤波器是一种边缘保持平滑器，在图像处理、计算机视觉、计算机图形学和计算摄影学中具有不同的应用。该滤波器使用空间核和范围核来执行边缘保持平滑。在本文中，我们考虑高斯双边滤波器的内核都是高斯。高斯双边滤波器的直接实现需要每个像素的$O(σ_s^2)$操作，其中$σ_s$是空间高斯的标准偏差。事实上，众所周知，直接实施在实践中是缓慢的。我们提出了一个近似的高斯双边过滤器，从而我们可以减少操作的数量，以$O(1)$每像素的任何任意$σ_s$，但实现非常高的质量过滤，几乎是从原始过滤器的输出难以区分。我们表明，建议的近似是几个订单在实践中更快的直接实施相比。我们还证明了近似与现有的快速算法在速度和精度方面具有竞争力。
2016-05-10 cs.CV
On a fast bilateral filtering formulation using functional rearrangements
Universidad de Oviedo（奥维耶多大学）
本研究提出基于递减和相对重排的双边滤波器精确重构形式，证明其与像素版等价，拓展了快速双边滤波的离散结果，验证了离散解向连续解的收敛性，并通过数值实验展示其计算特性。
2015-05-03 cs.CV
Learning Sparse High Dimensional Filters: Image Filtering, Dense CRFs and Bilateral Neural Networks
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Bernstein Center for Computational Neuroscience（伯恩斯坦计算神经科学中心）
双边滤波器由于其边缘保持特性而被广泛使用。常见的用例是手动选择参数滤波器类型，通常是高斯滤波器。在本文中，我们将推广的参数化，特别是推导出一个梯度下降算法，使滤波器参数可以从数据中学习。这种推导允许学习在稀疏填充的特征空间中操作的高维线性滤波器。我们建立在permutohedral晶格建设有效的过滤。学习更一般形式的高维滤波器的能力可以用于多种不同的应用程序。首先，我们演示了在由于运行时原因需要单个过滤器应用程序的应用程序中的使用。此外，我们还展示了如何使用该算法来学习密集连接的条件随机场中的成对电位，并将其应用于不同的图像分割任务。最后，我们在CNN中引入了双边滤波器层，并提出了用于高维稀疏数据的双边神经网络。这个视图提供了将模型结构编码到网络架构中的新方法。一组不同的实验经验验证了一般形式的过滤器的使用。
2015-11-25 cs.CV
A multilateral filtering method applied to airplane runway image
Air Traffic Management System Institute（空中交通管理系统研究所）；Northwestern Polytechnical University（西北工业大学）
针对机场跑道图像滤波的特点，提出了一种既能去除噪声又能保持边缘的改进双边滤波方法。该方法首先利用方向可调滤波分解计算4个方向的子带参数，然后由子带局部中值能量得到纹理特征矩阵。利用纹理相似、空间相似和颜色相似函数对图像进行滤波，并定性分析了加权函数参数对滤波效果的影响。通过与标准双边滤波器的对比以及对实际机场跑道图像的仿真结果表明，多边滤波器比标准双边滤波器更有效。
2008-05-15 cs.CV
Fast and Accurate Bilateral Filtering using Gauss-Polynomial Decomposition
Indian Institute of Science（印度科学院）
双边滤波器是一种通用的非线性滤波器，在图像处理、计算机视觉、计算机图形学和计算摄影学中有着广泛的应用。滤波器的一种广泛使用的形式是高斯双边滤波器，其中空间和范围内核都是高斯的。该滤波器的直接实现需要每个像素的$O(σ^2)$操作，其中$σ$是空间高斯的标准偏差。在本文中，我们提出了一个精确的近似算法，可以减少计算复杂性度为$O(1)$每像素的任何$σ$（恒定时间实现）。这是基于这样的观察：距离核通过在距离空间上平移固定的高斯函数来操作，并且这些平移的高斯函数可以使用所谓的高斯多项式来精确地近似。从这种近似出现的整体算法涉及一系列的空间高斯滤波，它可以在恒定时间内使用可分性和递归来实现。我们提出了一些初步的结果表明，所提出的算法与现有的一些快速算法相比，在速度和准确性。
2015-05-25 cs.CV
Iterative Bilateral Filtering of Polarimetric SAR Data
Technische Universität Berlin（柏林工业大学）
提出了一种基于双边滤波的极化SAR图像相干斑滤波迭代算法。为了局部适应图像的空间结构，该滤波器依赖于空间和辐射域中的像素相似性。为了处理极化数据，我们研究了使用的相似性的基础上的统计距离称为Kullback-Leibler分歧，以及两个测地线距离黎曼流形。为了应对斑点，我们建议逐步完善的结果感谢迭代方案。实验运行在合成和实验数据。首先，仿真生成的极化重建误差，边缘保护和均匀区域的平滑方面的滤波参数的影响进行研究。与其他方法的比较表明，我们的方法相比，以及其他国家的最先进的方法在极化信息的提取和边缘恢复和噪声平滑表现出优越的性能。然后将该滤波器分别应用于L波段和S波段ESAR和FSAR传感器（DLR）的实验数据集。这些最后的实验表明，过滤器的能力，以恢复建筑物和道路等结构，并保持区域之间的边界，同时实现了大量的平滑均匀的地区。
2013-11-01 cs.CV
NeuralBF: Neural Bilateral Filtering for Top-down Instance Segmentation on Point Clouds
University of British Columbia（不列颠哥伦比亚大学）；Google Research（谷歌研究院）；Simon Fraser University（西蒙菲莎大学）
我们介绍了一种方法，为实例建议生成的三维点云。现有技术通常在单个前馈步骤中直接回归建议，导致不准确的估计。我们表明，这是一个关键的瓶颈，并提出了一种基于迭代双边滤波与学习内核的方法。遵循双边过滤的精神，我们考虑每个点的深度特征嵌入以及它们在3D空间中的位置。我们通过合成实验表明，我们的方法在为给定的兴趣点生成实例建议时带来了巨大的改进。我们进一步验证了我们的方法具有挑战性的ScanNet基准，实现最佳的实例分割性能之间的子类别的自顶向下的方法。
2022-07-20 cs.CV cs.GR
Real-Time Subpixel Fast Bilateral Stereo
The Hong Kong University of Science and Technology（香港科技大学）；University of Bristol（布里斯托大学）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
立体视觉技术已广泛应用于机器人系统中获取三维信息。近年来，许多研究者将双边滤波应用于立体视觉中，以自适应地聚合匹配代价。这极大地提高了所估计的视差图的准确性。然而，过滤整个成本量的过程是非常耗时的，因此研究人员不得不求助于一些强大的硬件来实现实时的目的。本文介绍了一个国家的最先进的GPU上实现快速双边立体声。通过充分利用GPU的并行计算架构，快速双边立体实时的执行时，处理米德尔伯里立体数据集。
2018-08-15 cs.CV
A Simple Yet Effective Improvement to the Bilateral Filter for Image Denoising
Indian Institute of Technology, Hyderabad（印度理工学院海得拉巴分校）；Indian Institute of Science（印度科学学院）
双边滤波器在图像处理、计算机视觉和计算摄影学中具有不同的应用。特别是，这种非线性滤波器是非常有效的去噪与加性高斯噪声损坏的图像。然而，已知滤波器在大噪声水平下表现不佳。在文献中已经提出了滤波器的几种适应性来解决这个缺点，但通常会增加计算成本。在本文中，我们报告了一个简单而有效的修改，提高了双边滤波器的去噪性能，几乎没有额外的成本。我们提供了标准测试图像的视觉和定量结果，这表明这种改进在视觉上和PSNR和SSIM（通常高达5 dB）方面都是显着的。我们还演示了如何建议的过滤可以实现在降低复杂性，适应最近的想法快速双边滤波。
2015-05-25 cs.CV
Fast High-Dimensional Kernel Filtering
双边和非局部均值滤波器是在图像处理中普遍使用的基于核的滤波器的实例。最近表明，快速和准确的双边过滤的灰度图像可以使用一个低秩近似的核矩阵。更具体地，基于核矩阵的特征分解，使用空间卷积来近似整体滤波，对于空间卷积，有效的算法是可用的。不幸的是，这种技术不能扩展到高维数据，如彩色和高光谱图像。这仅仅是因为在这种情况下需要计算/存储一个大矩阵并执行其特征分解。我们展示了如何使用Nyström方法来解决这个问题，该方法通常用于近似大矩阵的特征分解。所得到的算法也可以用于非局部均值滤波。我们证明了我们的建议的有效性，双边和非局部均值滤波的彩色和高光谱图像。特别是，我们的方法被证明是具有竞争力的国家的最先进的快速算法，而且它带有理论保证的近似误差。
2019-01-18 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
Superpixel Convolutional Networks using Bilateral Inceptions
Bernstein Center for Computational Neuroscience（伯恩斯坦计算神经科学中心）；Université Paris-Est（巴黎东部大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
在本文中，我们提出了一个CNN架构的语义图像分割。我们引入了一个新的“双边初始”模块，该模块可以插入现有的CNN架构中，并在图像中的超像素之间以多个特征尺度执行双边滤波。双边滤波的特征空间和模块的其他参数是使用标准反向传播技术端到端学习的。双边起始模块解决了一般CNN分割架构中出现的两个问题。首先，该模块在（超）像素之间传播信息，同时考虑图像边缘，从而使用问题的结构化信息来改进结果。其次，该层从CNN的较低分辨率解恢复全分辨率分割结果。在实验中，我们通过在最后的CNN（1x1卷积）层之间插入我们的inception模块来修改几个现有的CNN架构。在三个不同数据集上的实证结果显示，不仅与基线网络相比，而且与CRF等几种密集像素预测技术相比，都有可靠的改进，同时在时间上具有竞争力。
2016-08-08 cs.CV
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
Bilateral Filter: Graph Spectral Interpretation and Extensions
University of Southern California（南加州大学）
在本文中，我们研究了双边滤波器提出的Tomasi和Manduchi，作为一个谱域变换定义的加权图。该图形的节点表示图像中的像素，并且在节点上定义的图形信号表示强度值。图中的边缘权重对应于双边滤波器系数，因此是数据自适应的。图的谱是由图的拉普拉斯矩阵的特征值和特征向量定义的。我们使用这种频谱解释概括双边滤波器，并提出更灵活和应用特定的双边滤波器的频谱设计。我们表明，这些频谱滤波器可以实现k-迭代双边滤波操作，不需要昂贵的拉普拉斯矩阵对角化。
2013-03-11 cs.CV
Speeding Up the Bilateral Filter: A Joint Acceleration Way
National Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所模式识别国家重点实验室）
双边滤波器（BF）的蛮力实现的计算复杂性取决于其滤波器核大小。为了实现复杂度与核大小无关的常数时间BF，已经提出了许多技术，例如2D盒滤波，维数提升和移位特性。虽然上述技术中的每一种都存在精度和效率问题，但由于将它们组合在一起的难度，以前的算法设计者通常只采用其中一种来组装快速实现。因此，没有联合利用这些技术已经提出了构建一个新的前沿实现，解决这些问题。共同使用五种技术：摘要结合核截断、最佳N项近似以及二维盒滤波、维数提升和移位特性，我们提出了一个统一的框架，将具有任意空间和范围核的BF变换为一组可以在线性时间内计算的三维盒滤波器。据我们所知，我们的算法是第一种方法，可以集成所有这些加速技术，因此，可以借鉴彼此的优点，以克服不足之处。我们的方法的强度已经被几个精心设计的实验所证实。特别地，在不牺牲运行时的效率的情况下，显著地提高了滤波精度。
2018-02-28 cs.CV
A BEMD-Based Quaternion Filtering Approach Sharp-to-Soft Kernel CT Image Conversion
Sano Centre for Computational Medicine（萨诺计算医学中心）；AGH University of Krakow（AGH科技大学）；Jagiellonian University（雅盖隆大学）；Wroclaw University of Science and Technology（弗罗茨瓦夫理工大学）
针对CT重建核选择中分辨率与噪声的权衡，提出BEMD-QBF框架，将锐利核图像转换为平滑核表征，在多种核上实现更优SSIM和PSNR，无需原始投影数据。
2026-10-07 cs.CV
Fast O(1) bilateral filtering using trigonometric range kernels
Princeton University（普林斯顿大学）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
众所周知，可以使用其复杂度不取决于滤波器的大小或形状的算法来实现空间平均（在空间或频域中）。这些快速算法在图像处理文献中通常被称为恒定时间或O（1）算法。与空间滤波器一起，边缘保留双边滤波器[Tomasi1998]涉及额外的范围内核。这用于将平均限制到强度类似于或接近于感兴趣像素的强度的那些邻域像素。范围核通过作用于像素强度来操作。这使得平均过程是非线性的并且是计算密集的，尤其是当空间滤波器较大时。在本文中，我们展示了如何利用O（1）平均算法实现双边滤波器在恒定的时间，通过使用三角范围内核。这是通过推广[Porikli 2008]中使用多项式范围内核的想法来完成的。三角函数核的类被证明是足够丰富的，允许标准高斯双边滤波器的近似。我们的方法的吸引人的特点是，对于固定数量的术语，使用三角函数核实现的近似质量远远优于[Porikli 2008]中使用多项式获得的近似质量。
2011-07-27 cs.CE cs.CV cs.DC
Image Posterization Using Fuzzy Logic and Bilateral Filter
IT Dept., Assiut University（阿西乌特大学信息技术系）；Assiut University（阿西乌特大学）；Egypt（埃及（注意：此处Egypt是国家，非机构，原数据可能有误，按要求应忽略））；IT Dept.（信息技术系（重复出现））
图像色调转换是将具有大量色调的图像转换为具有明显平坦区域和较少色调的合成图像。在这份技术报告中，我们提出了使用模糊逻辑的实施和结果，以产生一个简单而快速的方式色调分离图像。图像滤波器是基于模糊逻辑和双边滤波，其中，给定的图像是模糊的，以消除小细节。然后，使用模糊逻辑将每个像素分为三个特定类别中的一个，以减少颜色的数量。这个过滤器是在构建Specs on Face数据集的过程中开发的，目的是为数据集中的原始人脸图像添加新的难度。该滤波器不会损害人体检测性能;然而，它被认为是回避人脸检测过程的障碍。此滤镜通常可用于对图像进行色调分离，特别是那些具有高对比度的图像，以获得具有鲜艳颜色的图像。
2018-02-03 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
Image Denoising using Optimally Weighted Bilateral Filters: A Sure and Fast Approach
Indian Institute of Science（印度科学学院）
众所周知，双边滤波器对于对受到小剂量加性高斯噪声污染的图像进行去噪非常有效。然而，已知滤波器的去噪性能随着噪声水平的增加而迅速降低。在文献中已经提出了滤波器的几种适应性来解决这个缺点，但通常需要大量的计算开销。在本文中，我们报告了一个简单的预处理步骤，可以大大提高双边滤波器的去噪性能，几乎没有额外的成本。修改后的滤波器被设计为在大的噪声水平下是鲁棒的，并且在低于某个噪声阈值时往往表现不佳。为了充分利用原始滤波器和修改后的滤波器，我们建议以加权方式将它们组合起来，其中选择权重以最小化（替代）Oracle均方误差（MSE）。因此，在所有噪声水平下，最优加权滤波器在MSE方面保证比分量滤波器中的任一个执行得更好。我们还提供了一个快速算法的加权滤波。标准测试图像上的视觉和定量去噪结果表明，在原始滤波器的改善是显着的视觉和PSNR。此外，最优加权双边滤波器的去噪性能与计算密集型非局部均值滤波器具有竞争力。
2015-05-25 cs.CV
Spectral Graph Cut from a Filtering Point of View
谱图理论在计算机视觉中得到了广泛的应用。在本文中，我们分析了基于谱图理论的图像分割算法，例如，归一化割，并表明基于谱图理论的图像分割和边缘保持滤波之间有着天然的联系。基于这种联系，我们表明，归一化切割算法是等效的双边滤波的重复迭代。然后，利用这个等价性，我们提出并实现了一个快速的归一化切割算法的图像分割。实验表明，我们的实现可以解决规范化切割算法中的原始优化问题的速度提高10到100倍。此外，我们提出了一种新的算法，称为条件归一化切割图像分割，可以很容易地将彩色图像补丁，并演示如何这个分割问题可以解决边缘保持滤波。
2016-11-08 cs.CV
Constant-time filtering using shiftable kernels
最近在[5]中证明了非线性双边滤波器[14]可以使用恒定时间或O（1）算法有效地实现。该算法的核心思想是使用三角函数近似双边滤波器的高斯范围核。在这封信中，我们解释了[5]中的思想如何扩展到其他一些线性和非线性滤波器[14，17，2]。虽然这些过滤器中的一些近年来受到了很多关注，但它们被认为是计算密集型的。为了扩展[5]中的思想，我们确定了三角函数的一个中心属性，称为移位性，它允许我们利用滤波操作中固有的冗余。特别是，使用可移位内核，我们展示了如何某些复杂的过滤可以减少到简单的计算一堆图像的移动总和。通过输入图像的基本逐点变换获得堆栈中的每个图像。这具有双重优势。首先，我们可以使用快速递归算法来计算移动和[15，6]，其次，我们可以使用并行计算来进一步加速计算。我们还展示了如何移位内核也可以用来近似（非移位）高斯内核，这是普遍使用的图像滤波。
2011-09-08 cs.CV cs.DS
Fast LLMMSE filter for low-dose CT imaging
低剂量X射线CT技术是当前医学影像设备研发的重要方向之一。提出了一种用于实时低剂量CT成像的分块正弦图滤波快速算法。提出了一种低mA（管电流）CT协议中低剂量正弦图数据的非平稳高斯噪声模型。然后，根据线性最小均方误差原理，构造了一种自适应分块算法，对光子饥饿造成的污染数据进行滤波。采用移动求和技术，使算法在不考虑数据块大小和数据范围的情况下，能快速地达到线性时间。通过仿真和实际数据的实验，与相关滤波方法进行了比较，验证了所提出的快速滤波方法在降低噪声和保持图像细节方面具有较好的性能。
2019-03-23 cs.CV
A combination of noise and bilateral filters achieve supralinear and scalable adversarial robustness in CNNs
Institute of Neuroinformatics ETH Zürich, University of Zürich（神经信息学研究所，苏黎世联邦理工学院，苏黎世大学）
本文提出结合高斯噪声和双边滤波的预处理方法，通过互补机制实现超线性对抗鲁棒性提升，并验证其与对抗训练结合后能以更低计算成本达到与最先进防御相当的性能。
2026-06-01 cs.CV cs.LG
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
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
Reflectance Adaptive Filtering Improves Intrinsic Image Estimation
University of Würzburg（维尔茨堡大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Bernstein Center for Computational Neuroscience（伯恩斯坦计算神经科学中心）
将图像分离成反射层和阴影层对学习方法提出了挑战，因为不存在精确和现实的地面真值分解的大型语料库。Wild~（IIW）数据集中的内在图像提供了一组稀疏的相对人类反射率判断，作为内在图像的标准基准。许多方法使用IIW来学习图像及其反射层之间的统计依赖性。虽然学习起着重要的作用，高性能，我们表明，一个标准的信号处理技术实现的性能与当前最先进的。我们提出了一个损失函数的CNN学习密集的反射率预测。我们的研究结果表明，一个简单的像素明智的决定，没有任何上下文或先验知识，是足以提供一个强大的基线IIW。这设定了一个只有其他两种方法超过的竞争基线。然后，我们开发了一个联合双边滤波方法，实现强反射率恒定的先验知识。这种滤波操作可以应用于任何固有的图像算法，我们改进了以前的几个结果，实现了一个新的国家的最先进的IIW。我们的研究结果表明，基于学习的方法的效果可能被高估了。显式的先验知识仍然是至少同样重要的，以获得高性能的内在图像分解。
2017-06-12 cs.CV
Sparse Norm Filtering
University of Maryland（马里兰大学）；University of Technology Sydney（悉尼科技大学）；Zhejiang University（浙江大学）
基于优化的滤波通过最小化保真度函数来平滑图像，同时通过利用梯度上的稀疏范数惩罚来保留边缘。它在细节处理、HDR压缩和去模糊等实际问题中取得了良好的效果，在图形学、计算机视觉和图像处理等领域受到了越来越多的关注。本文从基于优化的滤波器出发，提出了一种新的图像滤波器，称为稀疏范数滤波器（SNF）。SNF有一个非常简单的形式，介绍了一般的滤波技术，并解释了几个经典的滤波器作为SNF的特殊实现，例如平均滤波器和中值滤波器。它具有无光晕、易于实现、时间和存储成本低（与双边滤波器相当）的优点。因此，它比平滑算子更通用，可以更好地适应不同的任务。我们通过各种各样的应用程序，包括边缘保持平滑，离群值容忍滤波，细节操作，HDR压缩，非盲反卷积，图像分割和彩色化，验证了所提出的SNF。
2013-05-17 cs.CV cs.GR cs.MM
Fast Multi-Layer Laplacian Enhancement
Google Inc.（谷歌公司）
介绍了一种新颖、快速、实用的图像增强方法。我们的方法建立在著名的边缘感知内核，如双边和非局部均值的拉普拉斯算子，并扩展这些滤波器的功能，以执行更有效和快速的图像平滑，锐化和色调操作。我们提出了一个近似的拉普拉斯算子，它不需要归一化的内核权重。多个拉普拉斯算子的亲和力权重赋予我们的方法与渐进的细节分解的输入图像从细到粗的尺度。这些图像分量通过结构掩模混合，这避免了输出图像中的噪声/伪影放大或细节损失。所提出的方法对现有图像编辑工具的贡献是：（1）低计算和存储器要求，使其适合于移动终端实现（例如，作为相机流水线中的完成步骤），（2）从细节增强到去噪的一系列滤波应用，仅用几个控制参数，使用户能够应用各种（甚至相反）滤波效果的组合。
2016-06-23 cs.CV
Filtering-out poor-quality images for data preparation
Institute of Innovation, Science and Sustainability, Federation University Australia（澳大利亚联邦大学创新、科学与可持续发展研究所）
研究针对数据准备中图像去噪的不足，提出过滤劣质图像的方法，用图像质量评估指标和阈值筛选，确保有足够图像用于深度学习模型开发，实验表明该方法在交通和对象识别数据上性能优于现有方法，有实际应用潜力。
2026-07-15 cs.CV
An Adaptive Underwater Image Enhancement Framework via Multi-Domain Fusion and Color Compensation
Southampton Ocean Engineering Joint College（南安普顿海洋工程联合学院）
本文提出一种自适应水下图像增强框架，通过混合光照补偿、多域滤波和自适应颜色补偿模型，有效解决了水下图像的光吸收、散射和颜色失真问题，在对比度增强、颜色校正和结构保留上优于现有方法。
2025-03-05 cs.CV
Analyzing Noise Models and Advanced Filtering Algorithms for Image Enhancement
SRM Institute of Science and Technology（SRM科学技术学院）
本研究针对图像降噪难题，评估了8种滤波算法对8类噪声图像的处理效果，以PSNR为指标明确了不同噪声对应的最优滤波策略，可为多领域图像增强应用提供参考。
2024-10-30 cs.CV eess.IV
Do End-to-end Stereo Algorithms Under-utilize Information?
cs.stevens.edu（斯蒂文斯理工学院计算机系(注：此处按机构含义直译，原文本中cs.stevens.edu更倾向于斯蒂文斯理工学院计算机科学相关部门，但根据提取规则，大学/学院级别即可，故保留en为cs.stevens.edu，zh为斯蒂文斯理工学院计算机系的常见中文译法或直译，但更准确的是，原作者邮箱中的stevens.edu表明其所属机构为斯蒂文斯理工学院，cs.stevens.edu是该学院内的计算机系，但根据提取规则，机构粒度到大学/学院级别即可，因此这里两个机构均属于斯蒂文斯理工学院，故统一处理为斯蒂文斯理工学院，或根据实际情况，两个邮箱都指向斯蒂文斯理工学院，因此en应为stevens.edu，zh为斯蒂文斯理工学院。但原文本中作者邮箱分别为ccai1@stevens.edu和mordohai@cs.stevens.edu，其中cs.stevens.edu是斯蒂文斯理工学院计算机科学系，属于学院级别，因此两个机构均属于斯蒂文斯理工学院，因此正确的en应为stevens.edu和cs.stevens.edu，zh均为斯蒂文斯理工学院和斯蒂文斯理工学院计算机科学系？但根据提取规则，“提取到大学/学院/公司/研究院级别即可，不要细拆到系、专业、课题组、实验室（除非实验室本身就是独立机构）”，因此cs.stevens.edu属于学院内的系，不应提取，因此只有stevens.edu对应的机构是斯蒂文斯理工学院，因此正确的输出应为{）
用于立体匹配的深度网络通常利用2D或3D卷积编码器-解码器架构来聚合成本并正则化成本量以进行准确的视差估计。由于内容不敏感的卷积以及下采样和上采样操作，这些成本聚合机制没有充分利用图像中可用的信息。视差图在遮挡边界附近过度平滑，以及在薄结构中的错误预测。在本文中，我们展示了如何将深度自适应滤波和可微半全局聚合集成到现有的2D和3D卷积网络中，以实现端到端立体匹配，从而提高精度。这些改进是由于利用来自图像的RGB信息作为信号来动态地指导匹配过程，除了作为我们试图在图像之间进行匹配的信号之外。我们在KITTI 2015和Virtual KITTI 2数据集上展示了广泛的实验结果，比较了四种立体网络（DispNetC，GCNet，PSMNet和GANet），将四种自适应滤波器（分割感知双边滤波，动态滤波网络，像素自适应卷积和半全局聚合）集成到其架构中。我们的代码可在https://github.com/ccj5351/DAFStereoNets上获得。
2020-10-14 cs.CV
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
Surface Denoising based on Normal Filtering in a Robust Statistics Framework
Department of Computer Science
在使用3D扫描仪的表面采集过程中，噪声是不可避免的，并且几何处理中的重要步骤是从这些表面（以点集或三角网格给出）中去除这些噪声分量。噪声去除过程（去噪）可以通过首先过滤表面法线，然后根据过滤后的法线调整顶点位置来执行。因此，在许多现有的去噪算法中，无噪声法线的计算是一个关键因素。已经引入了各种滤波器来去除法线中的噪声，这些滤波器具有不同的焦点，例如对离群值或大幅度噪声的鲁棒性。虽然这些滤波器在不同方面表现良好，但缺少一个统一的框架来建立它们之间的关系，并提供超出每种方法性能的理论分析。在本文中，我们介绍了这样一个框架，建立了一些广泛使用的非线性过滤器的面法线在网格去噪和顶点法线在点集去噪之间的关系。我们涵盖了强大的统计估计与M-平滑和他们的应用程序的线性和非线性正常过滤。虽然这些方法起源于不同的数学理论-其中包括扩散，双边和方向曲率为基础的算法-我们证明，所有这些都可以投到一个统一的框架，强大的统计使用强大的误差范数和相应的影响函数。这种统一有助于更好地理解各个方法及其相互关系。此外，所提出的框架提供了一个平台，新技术结合已知的过滤器的优点，并将它们与可用的方法进行比较。
2020-07-02 cs.CG cs.CV cs.GR
Artifact reduction for separable non-local means
Indian Institute of Science（印度科学研究所）
最近证明[J. Electron. Imaging，25（2），2016]，可以使用称为提升的方法对一维信号执行快速非局部均值（NLM）去噪。提升的代价与补丁的长度无关，这大大减少了大补丁的运行时间。不幸的是，很难直接扩展提升图像的非局部均值去噪。为了绕过这一点，作者提出了一种可分离的近似，其中使用提升过滤图像的行和列。整体算法明显快于NLM，并且结果在PSNR方面相当。然而，可分离处理经常在图像中产生垂直和水平条纹。这个问题以前通过使用基于双边滤波器的后平滑来解决，这在去除一些条纹方面是有效的。在这封信中，我们证明，条纹可以减轻摆在首位，简单地涉及相邻的行（或列）的过滤。换句话说，我们使用二维搜索（类似于NLM），同时仍然使用一维补丁（如前所述）。新颖之处在于观察到可以使用提升来执行二维搜索。所提出的方法生成无伪影的图像，其质量和PSNR与NLM相当，同时速度明显更快。
2017-10-26 cs.CV
Positron Emission Tomography (PET) image enhancement using a gradient vector orientation based nonlinear diffusion filter (GVOF) for accurate quantitation of radioactivity concentration
Imam Abdulrahman Bin Faisal University（伊玛目阿卜杜勒拉赫曼·本·费萨尔大学）
由于PET相机的低信噪比（SNR）和差的空间分辨率以及有限的图像采样约束，使用正电子发射断层扫描（PET）来精确地量化体内放射性示踪剂摄取是一项具有挑战性的任务。此外，SNR和对比度的病变间变化以及病变大小的变化使得定量更加困难。改进定量的方法之一是通过高斯滤波器（GF）的后重建滤波。边缘保持双边滤波器（BF）和非线性扩散滤波器（NDF）是GF的替代品，可以在不降低图像分辨率的情况下提高信噪比。然而，这些边缘保持方法的性能仅在高计数和低噪声的情况下是最佳的。本文提出了一种新的无参数梯度矢量定向非线性扩散滤波器（GVOF），它对统计起伏（如噪声）不敏感。例如，在一个实施例中，SNR、对比度、尺寸等）。应用于具有不同对比度和噪声水平的NEMA体模收集的PET图像的GVOF方法表明，与原始图像和其他滤波图像相比，GVOF方法提供了最高的SNR、CNR（对比噪声比）和分辨率。对于部分容积效应（PVE）可忽略的直径> 2 cm的球体，估计代表SUVmax（最大标准化摄取值）的最大活性的百分比偏倚对于GVOF方法是最低的。GVOF方法还提高了最大强度再现性。GVOF对尺寸、对比度和SNR变化的鲁棒性使其成为用于准确诊断和响应评估的合适的后滤波方法。此外，它能够提供准确的定量测量，而不受信噪比的影响，它也可以有效地减少放射性剂量。
2020-05-30 cs.CV cs.LG eess.IV
