Deterministic Image-to-Image Translation via Denoising Brownian Bridge Models with Dual Approximators
Department of Computer Science, Wayne State University（计算机科学系，韦恩州立大学）；Department of Mathematics, Wayne State University（数学系，韦恩州立大学）
本文提出了一种基于布朗桥动态和双近似器的生成模型，用于实现高保真度的确定性图像到图像翻译。
2025-12-29 cs.CV
Maximum a posteriori signal recovery for optical coherence tomography angiography image generation and denoising
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）；Massachusetts Institute of Technology（麻省理工学院）；Tufts School of Medicine（塔夫茨医学院）
光学相干断层扫描血管造影术（OCTA）是一种新型的和临床上有前途的成像模式，以成像视网膜和视网膜下血管。基于重复的光学相干断层扫描（OCT）扫描，观察强度随时间的变化，并用于计算OCTA图像数据。OCTA数据容易受到流速和患者移动变化引起的噪声和伪影的影响。我们提出了一种新的迭代最大后验信号恢复算法，以产生OCTA卷减少噪声和提高图像质量。该算法是基于以前的工作的概率OCTA信号模型和最大似然估计。使用总变差最小化和小波收缩进行正则化的重建结果与从六个共同配准的单个OCTA体积合并的OCTA真实体积进行比较。结果表明，在峰值信噪比和结构相似性的显着改善。该算法结合了OCTA图像生成和贝叶斯统计，可以发展成新的OCTA图像生成和去噪算法。
2020-10-29 cs.CV eess.IV
SSDD-GAN: Single-Step Denoising Diffusion GAN for Cochlear Implant Surgical Scene Completion
针对乳突切除术后手术场景补全问题，提出SSDD-GAN，结合扩散模型与GAN的对抗优化，通过真实手术数据集自监督训练，零样本应用于目标数据集，提升结构相似性6%，增强场景补全效果与数据集实用性。
2025-02-08 cs.CV
Joint Demosaicking and Denoising in the Wild: The Case of Training Under Ground Truth Uncertainty
The Hong Kong University of Science and Technology（香港科技大学）
图像去马赛克和去噪是数字相机流水线中的两个关键基本步骤，旨在从噪声亮度读数中重建干净的彩色图像。在本文中，我们提出并研究了Wild-JDD，一种新的学习框架，用于在野外进行联合去马赛克和去噪。在以前的作品，一般假设训练数据的真值是一个完美的现实反映，我们认为在这里更常见的不完美的情况下，真值的不确定性在野外。我们首先说明其表现为各种各样的文物，包括拉链效应，彩色云纹和残留噪声。然后，我们制定了一个两阶段的数据退化过程，以捕捉这样的真值的不确定性，共轭先验分布的基础分布。在此之后，我们推导出一个证据下限（ELBO）损失训练一个神经网络，近似的参数的共轭先验分布条件下的退化输入。最后，为了进一步提高对分布外输入的性能，我们设计了一个简单但有效的微调策略，将输入作为弱信息先验。考虑到真值的不确定性，Wild-JDD在优化过程中具有良好的可解释性。大量的实验验证，它优于国家的最先进的计划联合去马赛克和去噪任务的合成和现实的原始数据集。
2021-01-12 cs.CV eess.IV
Denoising Diffusion Models for Inpainting of Healthy Brain Tissue
University of Basel（巴塞尔大学）；Center for medical Image Analysis and Navigation（医学图像分析与导航中心）
本文提出基于去噪扩散概率模型的2D脑MR图像修复方法，通过切片级训练与替换实现肿瘤组织向健康组织的转化，在BraTS 2023挑战中取得与竞争方法相当的结果，并计划扩展至3D模型。
2024-10-23 cs.CV eess.IV
DiffRF: Rendering-Guided 3D Radiance Field Diffusion
Technical University of Munich（慕尼黑工业大学）；Meta Reality Labs Zurich（Meta苏黎世现实实验室）
介绍了一种基于去噪扩散概率模型的三维辐射场合成新方法--DiffRF。虽然现有的基于扩散的方法对图像，潜在代码，或点云数据进行操作，我们是第一个直接生成体积辐射场。为此，我们提出了一个3D去噪模型，它直接操作在一个显式体素网格表示。然而，由于从一组姿态图像生成的辐射场可能是模糊的并且包含伪影，因此获得地面实况辐射场样本是重要的。我们通过将去噪公式与渲染损失配对来解决这一挑战，使我们的模型能够学习有利于良好图像质量的偏差先验，而不是试图复制拟合误差，如浮动伪影。与2D-扩散模型相比，我们的模型学习多视图一致的先验，使自由视图合成和准确的形状生成。与3D GANs相比，我们基于扩散的方法自然能够在推理时实现条件生成，例如掩码完成或单视图3D合成。
2023-03-27 cs.CV
DiffIR: Efficient Diffusion Model for Image Restoration
Tsinghua University（清华大学）；ETH Zürich（苏黎世联邦理工学院）；ByteDance Inc（字节跳动公司）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
本文提出高效扩散模型DiffIR，通过紧凑IR先验表示、双阶段训练与多模块联合优化，以更少迭代和更低计算成本在多项图像复原任务上达到SOTA。
2023-08-16 cs.CV
BEVDiffuser: Plug-and-Play Diffusion Model for BEV Denoising with Ground-Truth Guidance
Bosch Research North America（博世北美研究院）；Bosch Center for Artificial Intelligence (BCAI)（博世人工智能中心）
BEVDiffuser是一种利用真值目标布局引导的扩散模型，以即插即用方式对BEV特征图去噪，无需修改架构，在nuScenes上使3D检测mAP提升12.3%、NDS提升10.1%，并改善长尾及恶劣条件下的检测性能。
2025-03-24 cs.AI cs.CV cs.LG
DeCompress: Denoising via Neural Compression
Rutgers University（罗格斯大学）
提出一种基于神经压缩的去噪算法DeCompress，无需真实图像和大型数据集，仅需单张噪声图像即可训练，且对过拟合鲁棒，性能优于零样本和无监督去噪器。
2025-03-27 cs.CV cs.IT eess.IV
Joint Demosaicking and Denoising by Fine-Tuning of Bursts of Raw Images
CMLA（应用数学中心）；CNRS（法国国家科学研究中心）；ENS Paris-Saclay（巴黎-萨克雷高等师范学校）；Université Paris-Saclay（巴黎-萨克雷大学）
去马赛克和去噪是任何相机图像处理流程的第一步，也是获得高质量RGB图像的关键。当前一个很有前途的研究趋势旨在使用卷积神经网络联合解决这两个问题。由于无法获得地面真实数据，这些网络目前无法使用真实的RAW图像进行训练。相反，他们求助于模拟数据。在本文中，我们提出了一种直接从镶嵌图像中学习去马赛克的方法，而不需要地面真实RGB数据。我们将其应用于仅从RAW图像中学习联合去马赛克和去噪，从而能够使用真实数据。此外，我们表明，对于这种应用程序微调网络到一个特定的突发提高质量的恢复去马赛克和去噪。
2019-09-10 cs.CV eess.IV
Masked Autoencoders for Low dose CT denoising
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
低剂量计算机断层扫描（LDCT）减少了X射线辐射，但会因更多的噪声和伪影而影响图像质量。为了提高LDCT的图像质量，最近开发了大量的Transformer模型。然而，Transformer模型的成功依赖于大量成对的噪声和干净数据，这在临床应用中通常是不可用的。在计算机视觉和自然语言处理领域，掩蔽自编码器（MAE）由于其出色的特征表示能力，被认为是一种有效的无标记自训练方法。在这里，我们重新设计了经典的编码器-解码器学习模型，以匹配去噪任务，并将其应用于LDCT去噪问题。MAE可以利用未标记的数据，并在地面实况数据丢失时促进LDCT去噪模型的结构保留。Mayo数据集上的实验验证了MAE可以提高Transformer的去噪性能，并减轻对地面真实数据的依赖。
2022-10-10 cs.CV cs.LG eess.IV
Leveraging Deep Stein's Unbiased Risk Estimator for Unsupervised X-ray Denoising
Information Technology University（信息技术大学）；University of Toronto（多伦多大学）
在众多旨在抑制医学图像中噪声流行的技术中，基于深度学习的方法表现出最大的希望。然而，这些基于深度学习的去噪器的一个关键限制是需要高质量的无噪声地面实况图像，这在许多医学成像应用（例如X射线）中难以获得。为了规避这个问题，我们利用最近提出的方法[7]，该方法结合了Stein的无偏风险估计（SURE）来训练深度卷积神经网络，而不需要去噪的地面真实X射线数据。我们的实验结果表明，基于SURE的方法去噪X射线图像的有效性。
2018-11-29 cs.CV cs.LG stat.ML
Hausdorff Distance Matching with Adaptive Query Denoising for Rotated Detection Transformer
SI Analytics Co. Ltd.（SI分析有限公司）；KAIST（韩国科学技术院）
针对旋转DETR中二分匹配存在边界问题、静态去噪阻碍训练的缺陷，提出基于Hausdorff距离的匹配代价与自适应查询去噪方法，在多个旋转目标检测数据集上实现显著精度提升。
2024-10-29 cs.CV cs.LG
Learning Model-Blind Temporal Denoisers without Ground Truths
Tsinghua University（清华大学）；Tencent Media Lab（腾讯媒体实验室）；Research Institute of Tsinghua University in Shenzhen（清华大学深圳研究院）
用合成数据训练的去噪器往往无法应对未知噪声的多样性，让位于那些可以适应现有噪声而不知道其真实情况的方法。以前的基于图像的方法如果直接应用于视频去噪器会导致噪声过拟合，并且在遮挡和光照变化方面具有不充分的时间信息管理，这大大阻碍了其去噪性能。在本文中，我们提出了一个视频去噪网络的通用框架，成功地解决了这些挑战。提出了一种新的双采样器，在不改变目标语义的前提下，通过解耦输入来组装训练数据，不仅有效地解决了噪声过拟合问题，而且通过检查光流一致性，有效地生成了更好的遮挡掩模。一个在线去噪方案和翘曲损失正则化更好的时间对齐。基于对齐帧的局部相似性来量化照明变化。我们的方法在多个噪声、数据集和网络架构上始终优于现有技术0.6-3.2dB PSNR。在降低模型盲视频噪声方面取得了先进的成果。进行了广泛的消融研究，以证明每个技术组件的重要性。
2021-03-31 cs.CV
Adaptive Extensions of Unbiased Risk Estimators for Unsupervised Magnetic Resonance Image Denoising
University of Arkansas（阿肯色大学）
本文针对医学成像中缺乏无噪声真实图像的问题，提出并基准测试了SURE、eSURE及新颖的ePURE等无监督学习策略，在受高斯和泊松噪声影响的MRI数据上验证了其有效性与鲁棒性。
2024-07-23 cs.CV eess.IV
UGD: An Unsupervised Geometric Distance for Evaluating Real-world Noisy Point Cloud Denoising
School of Automation, Nanjing University of Science and Technology（自动化学院，南京理工大学）；School of Computer Science and Engineering, Nanjing University of Science and Technology（计算机科学与工程学院，南京理工大学）
本文提出UGD，一种无监督几何距离，通过学习清洁点云的先验模型，基于噪声点云评估去噪效果，实验表明其性能与监督方法相当。
2026-04-18 cs.CV cs.GR
Benchmarking Denoising Algorithms with Real Photographs
Department of Computer Science, TU Darmstadt（达姆施塔特工业大学计算机科学系）
由于缺乏真实的地面数据，传统上对合成i.i.d.损坏的图像进行图像去噪技术评估。高斯噪声我们的目标是通过开发一种在真实照片上对去噪技术进行基准测试的方法来消除这种不切实际的设置。我们使用不同的ISO值和适当调整的曝光时间拍摄图像对，其中几乎无噪声的低ISO图像作为参考。为了获得地面实况，需要仔细的后处理。我们校正空间未对准，通过基于新型异方差Tobit回归模型的线性强度变换来处理曝光参数中的不准确性，并去除残留的低频偏差，例如，轻微的照明变化。然后，我们捕获了一个新的基准数据集，达姆施塔特噪声数据集（DND），与不同传感器尺寸的消费相机。一个有趣的发现是，最近各种在合成噪声上表现良好的技术在具有真实噪声的照片上明显优于BM 3D。我们的基准描绘了现实的评估方案，强烈偏离那些常用的科学文献。
2017-07-05 cs.CV
Self-supervision versus synthetic datasets: which is the lesser evil in the context of video denoising?
Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）；ENS Paris-Saclay（巴黎萨克雷高等师范学院）；Centre Borelli（博雷利中心）
监督训练在图像和视频去噪方面取得了最先进的成果。然而，它的实际数据的应用是有限的，因为它需要大量的数据集的噪声干净的对是很难获得的。出于这个原因，网络通常是在真实的合成数据上训练的。最近，已经提出了一些自监督框架，用于直接在噪声数据上训练这种去噪网络，而不需要地面实况。在合成去噪问题上，监督训练优于自监督方法，但近年来差距越来越小，特别是对于视频。在本文中，我们提出了一项研究，旨在确定哪种是最好的方法来训练去噪网络的真实原始视频：监督合成现实数据或自我监督的真实数据。在具有真实运动的自然视频的情况下，具有定量结果的完整研究是不可能的，因为不存在具有干净噪声对的数据集。我们通过考虑三个独立的实验来解决这个问题，在这些实验中，我们比较了两个框架。我们发现，对真实数据的自我监督优于对合成数据的监督，并且在正常照明条件下，性能下降是由于合成地面实况生成，而不是噪声模型。
2022-04-25 cs.CV eess.IV
Patch-Craft Self-Supervised Training for Correlated Image Denoising
The Technion（以色列理工学院）
已知有监督神经网络在各种图像复原任务中取得优异的结果。然而，这样的训练需要由成对的受损图像及其对应的地面真实目标组成的数据集。不幸的是，这些数据在许多应用中不可用。针对噪声统计未知的图像去噪问题，提出了几种自监督训练方法。其中一些需要噪声模型的知识，而另一些则假设污染噪声是不相关的，这两种假设对于许多实际需要来说都太有限了。这项工作提出了一种新的自监督训练技术，适用于去除未知的相关噪声。所提出的方法既不需要噪声模型的知识，也不需要访问地面真实目标。我们的算法的输入包括容易捕获的噪声镜头的突发。我们的算法构建人工补丁工艺图像从这些突发补丁匹配和拼接，并获得制作的图像被用作训练的目标。我们的方法不需要注册的突发内的图像。我们评估所提出的框架，通过广泛的实验与合成和真实的图像噪声。
2022-11-17 cs.CV
Prototype-Based Pseudo-Label Denoising for Source-Free Domain Adaptation in Remote Sensing Semantic Segmentation
College of Computer Science, Sichuan University（四川大学计算机科学学院）；College of Computer Science and Cyber Security, Chengdu University of Technology（成都理工大学计算机科学与网络安全学院）
本文提出ProSFDA框架，通过原型加权伪标签和原型对比策略缓解遥感图像语义分割中无源域适应的伪标签噪声问题，显著提升目标域分割性能。
2025-09-21 cs.CV
Self-Supervised Deep Depth Denoising
Information Technologies Institute (ITI), Centre for Research and Technology Hellas (CERTH)（希腊研究与技术中心（CERTH）信息技术研究所（ITI））
深度感知被认为是各种视觉任务的宝贵信息来源。然而，使用消费级传感器获取的深度图仍然受到不可忽略的噪声的影响。这一事实最近促使研究人员利用传统滤波器以及深度学习范式，以抑制上述非均匀噪声，同时保留几何细节。尽管付出了努力，但深度去噪仍然是一个开放的挑战，主要是由于缺乏可以用作地面实况的干净数据。在本文中，我们提出了一个完全卷积的深度自动编码器，它可以学习去噪深度图，克服缺乏地面真实数据的问题。具体而言，所提出的自动编码器利用来自不同视点的同一场景的多个视图，以便在训练期间使用深度和颜色信息，而在推理期间仅使用深度，以自监督的端到端方式学习抑制噪声。为了加强自我监督，我们利用微分渲染技术，利用光度监督，这是进一步正则化使用几何和表面先验。由于所提出的方法依赖于原始数据采集，因此使用英特尔实感传感器收集大型RGB-D语料库。作为定量评估的补充，我们证明了所提出的自监督去噪方法对已建立的3D重建应用程序的有效性。代码可在https://github.com/VCL3D/DeepDepthDenoising
2019-09-04 cs.CV
CT Image Denoising with Perceptive Deep Neural Networks
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Philips Research North America（飞利浦北美研究院）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）
在现代医学实践中越来越多地使用CT，引起了对相关辐射剂量的关注。减少与CT相关的辐射剂量会增加噪声和伪影，这会对诊断信心产生不利影响。另一方面，低剂量CT图像的去噪可以帮助提高诊断置信度，然而，由于其不适定性质，这是一个具有挑战性的问题，因为一个噪声图像块可能对应于许多不同的输出块。在过去的十年中，基于机器学习的方法在这个方向上取得了令人印象深刻的进展。然而，这些方法中的大多数，包括最近流行的深度学习技术，旨在最小化去噪CT图像和地面实况之间的均方误差（MSE），这导致由于过度平滑而丢失重要的结构细节，尽管基于PSNR的性能测量看起来很棒。在这项工作中，我们引入了一种新的感知相似性度量作为深度卷积神经网络的目标函数，以促进CT图像去噪。我们不是直接计算像素到像素强度损失的MSE，而是将去噪输出的感知特征与特征空间中的地面真值进行比较。因此，我们所提出的方法不仅能够降低图像噪声水平，但也保持了关键的结构信息在同一时间。在大量CT图像的实验中，取得了令人满意的结果。
2017-02-22 cs.CV
Back to Basics: Fast Denoising Iterative Algorithm
MIT（麻省理工学院）；Harvard School of Engineering and Applied Sciences（哈佛工程与应用科学学院）
本研究提出无需训练的快速迭代去噪算法BTB，可处理多种未知水平的噪声，在三类图像去噪任务中有效提升质量，并具备收敛稳定性理论保障。
2024-04-18 cs.CV eess.IV
Optimal Transport for Unsupervised Denoising Learning
Shanghai Jiao Tong University（上海交通大学）
最近，无监督去噪学习取得了很大进展。然而，现有的方法或多或少地依赖于对信号和/或退化模型的一些假设，这限制了它们的实际性能。如何在没有任何退化模型先验知识的情况下构造无监督去噪学习的最优准则仍然是一个悬而未决的问题。为了回答这个问题，本文提出了一种基于最优传输理论的无监督去噪学习准则。该标准具有有利的性质，例如，在实现感知重建的同时，近似最大限度地保留信号的信息。此外，虽然在实际实现中使用了松弛的无约束公式，但我们证明了松弛公式在理论上与原始约束公式具有相同的解。对合成数据和真实世界数据（包括逼真的摄影、显微镜、深度和原始深度图像）的实验表明，所提出的方法甚至可以与监督方法（例如，接近监督方法的PSNR，同时具有更好的感知质量。特别地，对于空间相关噪声和真实的显微图像，所提出的方法不仅实现了更好的感知质量，而且比监督方法具有更高的PSNR。此外，它在复杂噪声的恶劣实际条件下显示出显著的优越性，原始深度图像。代码可在https://github.com/wangweiSJTU/OTUR上获得。
2022-04-28 cs.CV cs.LG eess.IV
Task-based Regularization in Penalized Least-Squares for Binary Signal Detection Tasks in Medical Image Denoising
University of Michigan-Shanghai Jiao Tong University Joint Institute（密歇根大学-上海交通大学联合研究院）；Global Institute of Future Technology, Shanghai Jiao Tong University（上海交通大学未来科技全球研究院）；Wyant College of Optical Sciences, University of Arizona（亚利桑那大学怀恩特光学科学学院）；Department of Medical Imaging, University of Arizona（亚利桑那大学医学影像系）
提出一种用于医学图像去噪PLS方法的基于任务的正则化策略，无需真值数据，通过高斯噪声模型下线性检验统计量的似然优化单张图像，有效提升了二元信号检测的可检测性。
2025-01-31 cs.CV eess.IV
Self-supervised regression learning using domain knowledge: Applications to improving self-supervised denoising in imaging
Sungkyunkwan University（成均馆大学）；Ulsan National Institute of Science and Technology（蔚山科学技术院）；Shanghai Jiao Tong University（上海交通大学）；Seoul National University（首尔国立大学）
预测连续量的回归是使用计算成像和计算机视觉技术的应用的核心部分。然而，研究和理解回归任务的自监督学习-除了特定的回归任务，图像去噪-已经落后了。本文提出了一种通用的自监督回归学习（SSRL）框架，该框架通过使用封装特定应用领域知识的可设计伪预测器，仅使用输入数据（但没有地面实况目标数据）来学习回归神经网络。本文强调了使用领域知识的重要性，表明在不同的设置下，更好的伪预测器可以导致SSRL的属性更接近普通的监督学习。低剂量计算断层成像去噪和摄像机图像去噪的数值实验表明，与现有的几种自监督去噪方法相比，该方法显著提高了去噪质量.
2022-05-10 cs.CV eess.IV
AstroSURE: Learning to Remove Noise from Astronomical Images Without Ground Truth Data
National Research Council Herzberg Astronomy an Astrophysics Research Centre, 5071 West Saanich Road, Victoria, BC V9E 2E7, Canada（国家研究委员会赫兹伯格天文学与天体物理学研究中心，5071号西萨安奇路，维多利亚，BC V9E 2E7，加拿大）；Department of Computer Science, , University of British Columbia, Vancouver, BC, V6T 1Z4, Canada（计算机科学系，不列颠哥伦比亚大学，温哥华，BC，V6T 1Z4，加拿大）
本文评估了无需干净地面真实图像训练的深度学习去噪方法，通过合成数据和哈勃空间望远镜及加拿大-法国-夏威夷望远镜的实测数据，验证了这些方法在天体数据分析中的有效性，结果显示在哈勃数据上通过领域一致初始化后，方法在弱源检测上有显著提升。
2026-04-18 astro-ph.IM cs.CV
Disentangling Noise from Images: A Flow-Based Image Denoising Neural Network
Research School of Computer Science, the Australian National University（澳大利亚国立大学计算机科学研究院）；Data61-CSIRO（澳大利亚联邦科学与工业研究组织数据61中心）；OPPO US Research（OPPO美国研究院）
目前流行的基于卷积神经网络（CNN）的图像去噪方法通过提取图像的特征来恢复干净的地面真值，实现了较高的去噪精度。然而，这些方法可能会忽略干净图像的潜在分布，从而在去噪结果中引起失真或伪影。本文提出了一种新的观点，把图像去噪作为一个分布学习和解开任务。由于噪声图像分布可以被看作是干净图像和噪声的联合分布，因此去噪图像可以通过将潜表示操作为干净对应物来获得。本文还提供了一个基于分布学习的去噪框架。在这个框架下，我们提出了一个可逆的去噪网络，FDN，没有任何假设，无论是清洁或噪声分布，以及分布解纠缠方法。FDN学习噪声图像的分布，这与以前基于CNN的判别映射不同。实验结果表明，FDN的能力，以消除合成加性高斯白噪声（AWGN）的类别特定的和遥感图像。此外，FDN的性能优于以前发表的方法在真实图像去噪参数少，速度快。我们的代码可在https://github.com/Yang-Liu1082/FDN.git上获得。
2021-05-11 cs.CV
Rethinking Deep Image Prior for Denoising
LG AI Research（LG AI研究院）；Seoul National University（首尔大学）；GIST（韩国科学技术院）
深度图像先验（DIP）作为一个很好的归纳偏置不同的反问题。其中，去噪对于DIP来说是特别具有挑战性的，因为噪声与早期停止的要求相匹配。为了解决这个问题，我们首先通过有效自由度（DF）的概念来分析DIP，以监控优化进度，并在拟合噪声之前提出了一个原则性的停止标准，而无需访问高斯噪声的成对地面真实图像。我们还提出了“随机时间集成（STE）”的方法，结合技术，以进一步提高DIP的性能去噪。我们还扩展我们的方法泊松噪声。我们的经验验证表明，给定一个单一的噪声图像，我们的方法去噪的图像，同时保留丰富的文本细节。此外，我们的方法在七个不同的数据集上具有可比的PSNR和SSIM，在LPIPS中大幅优于现有技术。
2021-08-29 cs.CV eess.IV
Self-Supervised Poisson-Gaussian Denoising
California Polytechnic State University（加州州立理工大学）；University of Georgia（佐治亚大学）；Providence College（普罗维登斯学院）；University of Colorado Colorado Springs（科罗拉多大学科罗拉多斯普林斯分校）
我们扩展了自监督去噪的盲点模型来处理泊松-高斯噪声，并引入了一种改进的训练方案，该方案避免了超参数，并使去噪器适应测试数据。用于去噪的自监督模型学习仅从噪声数据中去噪，并且不需要相应的干净图像，这在某些感兴趣的应用领域（如微光显微镜）中很难或不可能获得。我们引入了一种新的训练策略来处理泊松-高斯噪声，这是显微镜图像的标准噪声模型。我们的新策略从损失函数中消除了超参数，这在自我监督机制中很重要，在这种机制中，没有地面真实数据可用于指导超参数调整。我们展示了我们的去噪器如何适应测试数据，以提高性能。我们的评价显微镜图像去噪基准验证了我们的方法。
2020-11-19 cs.CV cs.LG eess.IV
MRI2Qmap: multi-parametric quantitative mapping with MRI-driven denoising priors
MRI2Qmap通过整合物理模型与深度学习先验，实现无需地面真实数据的高效定量MRI重建，提升高加速成像性能。
2026-03-11 cs.CV cs.LG physics.med-ph
Self-Supervised Learning based CT Denoising using Pseudo-CT Image Pairs
DGIST（大邱庆北科学技术院）
最近，已经提出了能够执行图像去噪而无需地面真值标签的自监督学习方法。这些方法通过向图像添加随机或高斯噪声来创建低质量图像，然后训练用于去噪的模型。理想情况下，如果可以通过自我监督仅用少量训练样本生成高质量的CT图像，这将是有益的。然而，由于CT噪声的复杂性，CT去噪的性能通常受到限制。为了解决这个问题，我们提出了一种新的基于自监督学习的CT去噪方法。特别地，我们训练预训练CT去噪和噪声模型，其可以使用可用的LDCT和正常剂量CT（NDCT）对来预测来自低剂量CT（LDCT）的CT噪声。对于给定的测试LDCT，我们使用预训练的去噪和噪声模型生成伪LDCT和NDCT对，然后使用这些对更新去噪模型的参数以去除测试LDCT中的噪声。为了制作逼真的伪LDCT，我们从单个图像中训练多个噪声模型，并使用噪声模型的集合来生成噪声。我们在2016年AAPM低剂量CT大挑战数据集上评估了我们的方法。所提出的集成噪声模型可以生成逼真的CT噪声，因此我们的方法显着提高了现有的去噪模型训练的监督和自监督学习的去噪性能。
2021-04-06 cs.CV eess.IV
Adaptive noise imitation for image denoising
Xiamen University（厦门大学）；The University of Hong Kong（香港大学）；Deepwise（深睿医疗）；Columbia University（哥伦比亚大学）
现有去噪算法的有效性通常依赖于精确的预定义噪声统计或大量的配对数据，这限制了它们的实用性。在这项工作中，我们专注于在更常见的情况下，噪声统计和配对数据不可用的去噪。考虑到去噪CNN需要监督，我们开发了一种新的\textbf{adaptive noise imitation (ADANI)}算法，可以从自然噪声图像中合成噪声数据。为了产生逼真的噪声，噪声生成器将不成对的噪声/干净图像作为输入，其中噪声图像是噪声生成的指导。通过对噪声的类型、水平和梯度施加明确的约束，ADANI的输出噪声将类似于引导噪声，同时保持图像的原始干净背景。将ADANI输出的噪声数据与相应的地面实况相耦合，然后以完全监督的方式训练去噪CNN。实验表明，ADANI产生的噪声数据在视觉上和统计上与真实数据相似，因此我们方法中的去噪CNN与使用外部配对数据训练的其他网络相比具有竞争力。
2020-11-30 cs.CV eess.IV
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
GRDN:Grouped Residual Dense Network for Real Image Denoising and GAN-based Real-world Noise Modeling
Dongguk University（东国大学）
最近关于图像去噪的研究随着深度学习架构（尤其是卷积神经网络）的发展而取得了进展。然而，现实世界的图像去噪仍然是非常具有挑战性的，因为它是不可能获得理想的地面实况图像和现实世界的噪声图像对。由于最近发布的基准数据集，图像去噪社区的兴趣现在正转向现实世界的去噪问题。在本文中，我们提出了一个分组的剩余密集网络（GRDN），这是一个扩展和推广的国家的最先进的剩余密集网络（RDN）的体系结构。RDN的核心部分被定义为分组剩余密集块（GRDB），并作为GRDN的构建模块。实验结果表明，级联GRDBs可以显著提高图像去噪性能.除了网络架构设计之外，我们还开发了一种新的基于生成对抗网络的真实世界噪声建模方法。我们通过在NTIRE 2019 Real图像去噪挑战赛- Track 2：sRGB中实现峰值信噪比和结构相似性方面的最高得分来证明所提出方法的优越性。
2019-05-27 cs.CV eess.IV
Beyond MSE: Rician Likelihood Denoising for Self-Supervised Cardiac $T2$ and $T1ρ$ MRI
University of Utah（犹他大学）
针对心脏MRI自监督去噪中MSE损失假设不匹配幅度噪声的问题，提出基于莱斯噪声模型的最大似然估计方法，实现无偏去噪，性能与监督基线相当。
2026-10-23 cs.CV eess.IV
Learning-based Noise Component Map Estimation for Image Denoising
Tampere University（坦佩雷大学）
研究了图像受非平稳噪声污染时的图像去噪问题。由于在实践中没有关于噪声的先验信息可用，因此对于图像去噪，应当预先估计噪声统计。本文提出了一种基于深度卷积神经网络（CNN）的方法，用于估计噪声的局部、逐块、标准偏差的映射（所谓的sigma-map）。它实现了国家的最先进的性能，在非平稳噪声的情况下，估计的sigma-map的准确性，以及估计的情况下，加性高斯白噪声的噪声方差。使用估计的sigma-map对图像去噪进行的大量实验表明，我们的方法在PSNR方面优于最近基于CNN的盲图像去噪方法高达6 dB，以及基于sigma-map估计的其他最先进的方法高达0.5 dB，同时提供更好的使用灵活性。与理想情况相比，当使用地面真实sigma-map应用去噪时，示出了对于大多数噪声水平的对应PSNR值的差异在0.1- 0.2dB内并且不超过0.6dB。
2021-09-24 cs.CV cs.LG eess.IV
Self-supervised Denoising via Diffeomorphic Template Estimation: Application to Optical Coherence Tomography
New York University（纽约大学）
光学相干断层扫描（OCT）在眼科的研究和临床实践中都很普遍。然而，OCT图像被噪声严重破坏，限制了它们的解释。当前的OCT去噪器利用对噪声分布的假设，或者通过对重复采集进行平均来生成用于训练深度监督去噪器的目标。然而，最近的自监督进步允许只使用重复采集而不使用干净目标作为基础事实来训练深度去噪网络，从而减少了监督学习的负担。尽管自监督方法具有明显的优势，但由于OCT由于无意识的眼球运动而显示出强烈的结构变形，即使在同一受试者的连续扫描之间也是如此。此外，重复序列的直接非线性对齐引起图像之间噪声的相关性。在本文中，我们提出了一个联合的双态模板估计和去噪框架，使运动变形的重复采集使用自监督去噪，而无需凭经验登记其噪声实现。在去噪OCT图像方面实现了强有力的定性和定量改进，在任何适合多次曝光的成像模式中具有通用实用性。
2020-08-18 cs.CV cs.LG eess.IV
Contextual colorization and denoising for low-light ultra high resolution sequences
University of Bristol（布里斯托大学）
微光图像序列通常会受到时空非相干噪声、闪烁和运动目标模糊的影响。这些伪影显著降低了视觉质量，并且在大多数情况下，需要进行后处理以生成可接受的质量。大多数基于机器学习的最先进的增强方法需要地面实况数据，但这通常不适用于自然捕获的低光序列。我们用一种同时提供彩色化和去噪的非配对学习方法来解决这些问题。我们的方法是对CycleGAN结构的适应。为了克服与超高分辨率内容相关的过多内存限制，我们提出了一个基于多尺度补丁的框架，捕获本地和上下文的功能。此外，采用自适应时间平滑技术来去除闪烁伪影。实验结果表明，我们的方法优于现有的方法在主观质量方面，它是鲁棒的亮度水平和噪声的变化。
2021-01-05 cs.CV eess.IV
IDR: Self-Supervised Image Denoising via Iterative Data Refinement
The Chinese University of Hong Kong（香港中文大学）；SenseTime Research（商汤科技研究院）
由于缺乏大规模的噪声-干净图像对，制约了监督去噪方法在实际应用中的推广。虽然现有的无监督方法能够在没有真实干净图像的情况下学习图像去噪，但它们要么表现出较差的性能，要么在不切实际的设置下工作（例如，成对的噪声图像）。在本文中，我们提出了一种实用的无监督图像去噪方法，以实现最先进的去噪性能。该方法只需要单个噪声图像和一个噪声模型，在实际的原始图像去噪中很容易获得。它迭代地执行两个步骤：（1）从噪声模型构建具有随机噪声的噪声-噪声数据集;（2）在噪声-噪声数据集上训练模型，并使用训练的模型来细化噪声图像以获得下一轮中使用的目标。我们进一步近似我们的完整的迭代法与更有效的训练，同时保持其原有的高性能的快速算法。对真实世界、合成噪声和相关噪声的实验表明，我们提出的无监督去噪方法比现有的无监督方法具有更优越的性能，并且与监督方法具有竞争力。此外，我们认为现有的去噪数据集质量较低，并且仅包含少量场景。为了评估真实应用中的原始图像去噪性能，我们构建了一个包含500个真实场景的高质量原始图像数据集SenseNoise-500。该数据集可以作为更好地评估原始图像去噪的强大基准。代码和数据集将在https://github.com/zhangyi-3/IDR上发布
2022-03-22 cs.CV
Noise2Contrast: Multi-Contrast Fusion Enables Self-Supervised Tomographic Image Denoising
FAU Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）；Siemens Healthcare GmbH（西门子医疗有限公司）；Fraunhofer Institute for Ceramic Technologies and Systems IKTS（弗劳恩霍夫陶瓷技术与系统研究所IKTS）；Ewha Womans University（梨花女子大学）
自监督图像去噪技术作为一种方便的方法出现，它允许训练去噪模型，而不需要地面真实的无噪声数据。现有方法通常优化从相似图像的多个噪声实现计算的损失度量，例如，从相邻的断层切片中分离出来。然而，这些方法未能利用在医学成像模态（如MRI或双能量CT）中常规采集的多个对比度。在这项工作中，我们提出了新的自监督训练计划Noise 2Contrast，它结合了多个测量图像对比度的信息来训练去噪模型。我们使用域转移算子堆叠去噪，以利用不同图像对比度的独立噪声实现来导出自监督损失。经过训练的去噪算子实现了令人信服的定量和定性结果，在大脑MRI数据上的性能优于最先进的自监督方法4.7-11.0%/4.8-7.3%（PSNR/SSIM），在双能CT X射线显微镜数据上的性能优于最先进的自监督方法43.6-50.5%/57.1-77.1%（PSNR/SSIM）。我们在不同的实际测量数据集上的实验表明，Noise 2Contrast训练可以推广到其他多对比度成像模式。
2022-12-09 cs.CV eess.IV
DenoiSeg: Joint Denoising and Segmentation
Center for Systems Biology（系统生物学中心）；Max Planck Institute of Molecular Cell Biology and Genetics（马克斯·普朗克分子细胞生物学与遗传学研究所）；Max Planck Institute for Physics of Complex Systems（马克斯·普朗克复杂系统物理研究所）
显微图像分析通常需要分割对象，但是用于该任务的训练数据通常是稀缺的并且难以获得。在这里，我们提出了DenoiSeg，这是一种新的方法，可以在只有几个注释的地面真值分割上进行端到端的训练。我们通过扩展Noise2Void来实现这一点，Noise2Void是一种自我监督的去噪方案，可以单独在嘈杂的图像上训练，也可以预测密集的3类分割。我们的方法成功的原因是分割可以从去噪中受益，特别是在同一网络中联合执行时。该网络通过查看所有可用的原始数据成为去噪专家，同时共同学习进行分割，即使只有少数分割标签可用。我们观察到，当添加适量的合成噪声时，可以获得高质量（非常低的噪声）原始数据的最佳分割结果，这也进一步推动了这一假设。这使得去噪任务变得重要，并释放出所需的共同学习效果。我们相信DenoiSeg提供了一种可行的方法来规避对高质量训练数据的巨大需求，并有效地实现密集分割的少样本学习。
2020-06-10 cs.CV cs.LG
Self-supervised Physics-based Denoising for Computed Tomography
Philips Innovation Labs（飞利浦创新实验室）；Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）
计算机断层扫描（CT）由于其固有的X射线辐射而对患者造成风险，刺激了低剂量CT（LDCT）成像方法的发展。降低辐射剂量可以降低健康风险，但会导致测量噪声增加，从而降低组织对比度并导致CT图像中的伪影。最终，这些问题可能会影响医务人员的看法，并可能导致误诊。现代深度学习噪声抑制方法缓解了这一挑战，但需要低噪声-高噪声CT图像对进行训练，而这在常规临床工作流程中很少收集。在这项工作中，我们介绍了一种新的自监督方法，用于CT去噪Noise 2NoiseTD-ANM，可以在没有高剂量CT投影地面真实图像的情况下进行训练。与以前提出的自监督技术不同，所介绍的方法利用相邻投影和CT噪声分布的实际模型之间的连接。这样的组合允许仅使用原始噪声LDCT投影来进行可解释的无参考去噪。我们对LDCT数据的实验表明，所提出的方法达到了完全监督模型的水平，有时取代它们，很容易推广到各种噪声水平，并优于最先进的自监督去噪算法。
2022-11-01 cs.CV eess.IV
A Poisson-Gaussian Denoising Dataset with Real Fluorescence Microscopy Images
University of Notre Dame（圣母大学）
荧光显微镜使现代生物学的巨大发展成为可能。由于其固有的弱信号，荧光显微镜不仅比摄影噪声大得多，而且还存在泊松-高斯噪声，其中泊松噪声或散粒噪声是主要的噪声源。为了获得干净的荧光显微镜图像，非常希望具有专门设计用于对荧光显微镜图像进行降噪的有效降噪算法和数据集。虽然存在这样的算法，但没有这样的数据集。在本文中，我们通过构建一个数据集-荧光显微镜去噪（FMD）数据集-专门用于泊松-高斯去噪来填补这一空白。该数据集由12，000个真实的荧光显微镜图像组成，这些图像是用商用共聚焦、双光子和宽视场显微镜以及代表性的生物样本（如细胞、斑马鱼和小鼠脑组织）获得的。我们使用图像平均来有效地获得地面实况图像和60，000个具有不同噪声水平的噪声图像。我们使用该数据集对10种代表性的去噪算法进行了基准测试，发现深度学习方法具有最佳性能。据我们所知，这是第一个用于泊松-高斯去噪目的的真实显微镜图像数据集，它可能是生物医学研究中高质量，实时去噪应用的重要工具。
2019-04-05 cs.CV cs.LG eess.IV
Evaluating Unsupervised Denoising Requires Unsupervised Metrics
New York University（纽约大学）；Vall d’Hebron Institute of Oncology（瓦尔·德布龙肿瘤研究所）；Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）；Arizona State University（亚利桑那州立大学）
本文提出无监督MSE和无监督PSNR两种仅用含噪数据即可计算的指标，并从理论和实验上证明其可作为有监督指标的一致估计，从而解决真实成像场景中缺少干净真值时无法评估去噪方法的问题。
2023-05-30 cs.CV
Unsupervised Image Restoration Using Partially Linear Denoisers
University of Cambridge（剑桥大学）
基于深度神经网络的方法是各种图像恢复问题的最新技术。标准的监督学习框架需要一组噪声测量和干净图像对，对于这些图像对，恢复模型的输出与地面实况、干净图像之间的距离被最小化。然而，在现实世界的应用中，地面实况图像通常是不可用的或获取起来非常昂贵。我们规避这个问题，提出了一类结构化的降噪，可以分解为一个非线性图像相关的映射，线性噪声相关的长期和一个小的残留项的总和。我们表明，这些去噪器可以只训练噪声图像的条件下，噪声具有零均值和已知的方差。然而，噪声的确切分布并不假定是已知的。我们展示了我们的方法的优越性图像去噪，并证明其扩展到解决其他恢复问题，如盲去模糊的地面真理是不可用的。我们的方法优于一些最近的无监督和自监督深度去噪模型，这些模型不需要干净的图像进行训练。对于盲去模糊问题，该方法，每个图像只使用一个嘈杂和模糊的观察，达到了质量不远的基准数据集上的完全监督同行。
2021-03-30 cs.CV cs.LG eess.IV
Neuromorphic Camera Denoising using Graph Neural Network-driven Transformers
Khalifa University of Science and Technology（哈利法科技大学）
神经形态视觉是一种受生物启发的技术，它引发了计算机视觉界的范式转变，并成为众多应用的关键推动者。该技术具有显著的优势，包括降低功耗，减少处理需求和通信速度。然而，神经形态相机遭受大量的测量噪声。这种噪声恶化了基于神经形态事件的感知和导航算法的性能。在本文中，我们提出了一种新的噪声过滤算法，以消除事件，不代表真正的日志强度变化在观察到的场景。我们采用图神经网络（GNN）驱动的Transformer算法（称为GNN-Transformer），将原始流中的每个活动事件像素分类为实对数强度变化或噪声。在GNN中，执行一个称为EventConv的消息传递框架，以反映事件之间的时空相关性，同时保留其异步性质。我们还介绍了已知对象的地面真值标签（KoGTL）的方法，用于在各种照明条件下生成近似的地面真值标签的事件流。KoGTL用于从在chalenging光照条件下记录的实验中生成标记数据集。这些数据集用于训练和广泛测试我们提出的算法。当在看不见的数据集上进行测试时，该算法在过滤精度方面比现有方法高出8.8%。在公开的数据集上进行了额外的测试，以证明所提出的算法在光照变化和不同运动动力学的存在下的泛化能力。与现有的解决方案相比，定性结果验证了该算法的优越能力，以消除噪声，同时保留有意义的场景事件。
2022-07-04 cs.CV cs.RO
Deep Variation Prior: Joint Image Denoising and Noise Variance Estimation without Clean Data
University of Bristol（布里斯托大学）
随着最近基于深度学习的方法在从图像中去除噪声方面显示出有希望的结果，在监督学习设置中报告了最佳的去噪性能，该设置需要大量成对的噪声图像和地面实况进行训练。强大的数据需求可以通过无监督学习技术来缓解，然而，图像或噪声方差的准确建模对于高质量的解决方案仍然至关重要。对于未知的噪声分布，学习问题是不适定的。本文研究了图像去噪和噪声方差估计在一个单一的，联合学习框架的任务。为了解决这个问题的不适定性，我们提出了深度变化先验（DVP），它指出正确学习的去噪器相对于噪声变化的变化满足一些平滑特性，作为良好去噪器的关键标准。在DVP的基础上，开发了一个无监督的深度学习框架，可以同时学习去噪器和估计噪声方差。我们的方法不需要任何干净的训练图像或噪声估计的外部步骤，相反，近似的最小均方误差去噪只使用一组噪声图像。由于这两个基本任务在一个框架中被考虑，我们允许它们相互优化。实验结果表明，去噪质量与监督学习和准确的噪声方差估计相当。
2022-09-19 cs.CV cs.LG eess.IV
A Novel Image Denoising Algorithm Using Concepts of Quantum Many-Body Theory
Institut de Recherche en Informatique de Toulouse（图卢兹计算机科学研究所）；Université de Toulouse（图卢兹大学）；Laboratoire de Physique Théorique（理论物理实验室）；CNRS（法国国家科学研究中心）；UPS（巴黎萨克雷大学）；Université de Lyon（里昂大学）；INSA-Lyon（里昂国立应用科学学院）；Université Claude Bernard Lyon 1（里昂第一大学）；UJM-Saint Etienne（圣艾蒂安让·莫内大学）；Inserm（法国国家健康与医学研究院）；CREATIS（医学成像与信号处理研究中心）
真实图像的稀疏表示在图像处理中是一种非常有效的方法。近年来，随着计算能力的增长，利用从一个或多个图像中提取的补丁内的冗余来增加稀疏性的数据驱动策略变得更加突出。本文提出了一种新的图像去噪算法，利用这种图像相关的基础启发的量子多体理论。基于补丁分析，在一个局部的图像邻域的相似性措施的形式化，通过一个类似于量子力学中的相互作用，可以有效地保持真实图像的局部结构。这种自适应基础的多功能性质将其应用范围扩展到图像无关或图像相关噪声场景，而无需任何调整。我们进行了严格的比较，与当代的方法来证明所提出的算法的去噪能力，无论图像的特性，噪声统计和强度。我们说明了超参数的属性及其各自对去噪性能的影响，以及在实验设置中选择接近最佳值的自动规则，而地面真实值不可用。最后，我们展示了我们的方法来处理实际的图像去噪问题，如医学超声图像降斑应用程序的能力。
2022-08-24 cs.CV eess.IV
CNN-based TEM image denoising from first principles
Sejong University（世宗大学）；Seoul National University（首尔大学）
本研究提出基于密度泛函理论模拟图像和四种噪声训练多个CNN模型的方法，用于透射电子显微镜图像去噪，实验证明其降噪有效但存在圆形保持和伪影问题，并提出了改进策略。
2025-01-20 cond-mat.mtrl-sci cs.CV eess.IV
Image Denoising: The Deep Learning Revolution and Beyond -- A Survey Paper --
Technion – Israel Institute of Technology（以色列理工学院）
图像去噪（去除图像中的加性高斯白噪声）是图像处理中最古老和研究最多的问题之一。几十年来的广泛工作已经导致了数千篇关于这个主题的论文，以及许多性能良好的算法。事实上，10年前，这些成就使一些研究人员怀疑“去噪已死”，因为在这个领域可以实现的所有目标都已经实现了。然而，随着深度学习（DL）渗透到图像处理中，事实证明这远非事实。深度学习时代为图像去噪带来了一场革命，既领先于当今图像去噪的能力，又拓宽了去噪问题的处理范围。我们的论文首先描述了这一演变，特别强调了经典方法和现代基于DL的替代方案在图像去噪器设计中存在的张力和协同作用。最近在图像去噪领域的转变远远超出了设计更好的去噪器的能力。在本文的第二部分，我们集中在最近发现的图像去噪的能力和前景。我们暴露的可能性，使用去噪服务于其他问题，如正则化一般逆问题，并作为主要引擎在基于扩散的图像合成。我们还揭示了去噪和其他逆问题可能没有一个唯一的解决方案，因为常见的算法会让我们相信。相反，我们描述了建设性的方法来产生随机和多样化的高质量的结果，逆问题，所有的推动下，DL带来的进展，图像去噪。这篇综述论文旨在提供图像去噪的历史和密切相关的主题的广泛观点。我们的目标是为最近的发现提供一个更好的背景，以及DL在我们领域的影响。
2023-01-09 cs.CV eess.IV
ConsistencyDet: A Few-step Denoising Framework for Object Detection Using the Consistency Model
College of Computer Science and Engineering, Shandong University of Science and Technology（山东科技大学计算机科学与工程学院）；Shenzhen Research Institute of Big Data（深圳大数据研究院）；Zhejiang Normal University（浙江师范大学）；Chongqing University of Posts and Telecommunications（重庆邮电大学）；Nanjing University of Science and Technology（南京理工大学）
本文提出ConsistencyDet框架，将目标检测表述为去噪扩散过程，利用一致性模型的自一致性实现少步去噪，在MS-COCO和LVIS基准上性能超越其他前沿检测器。
2025-04-03 cs.CV
Optimal Combination of Image Denoisers
Purdue University（普渡大学）
给定一组图像去噪器，每个去噪器具有不同的去噪能力，是否有一种可证明的最佳方法来组合这些去噪器以产生整体更好的结果？这个问题的答案是根本的设计一个复杂的场景弱估计合奏。在本文中，我们提出了一个最佳的组合方案，利用深度神经网络和凸优化。所提出的框架称为共识神经网络（CsNet），在图像去噪中引入了三个新概念：（1）通过凸优化来组合去噪输出的可证明的最优过程;（2）在不需要地面真值的情况下估计去噪图像的均方误差（MSE）的深度神经网络;（3）使用深度神经网络来提高对比度并恢复组合图像的丢失细节的图像增强过程。实验结果表明，CsNet可以一致地提高去噪性能的确定性和神经网络去噪。
2019-02-28 cs.CV
Multi-Scale Denoising in the Feature Space for Low-Light Instance Segmentation
University of Bristol（布里斯托尔大学）
本文提出在特征提取器中引入加权非局部块（wNLB）实现特征级多尺度去噪，无需对齐真值即可在真实低光数据上训练，并在多个检测器上将平均精度至少提升+7.6。
2025-01-02 cs.CV
