Unsupervised Degradation Learning for Single Image Super-Resolution
Tianjin University（天津大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）
深度卷积神经网络（CNN）最近在单图像超分辨率（SR）上取得了显著的性能。然而，现有的基于CNN的方法使用人工合成的低分辨率（LR）和高分辨率（HR）图像对来训练网络，这不能处理真实世界的情况，因为从HR到LR的降级比手动设计复杂得多。为了解决这个问题，本文提出了一种基于真实世界LR图像的双循环网络，利用双向结构一致性，以无监督的方式对退化网络和SR重建网络进行训练。具体来说，我们提出了一个退化网络，通过生成对抗网络来模拟从HR到LR的真实退化过程，这些生成的真实LR图像与真实世界的HR图像配对用于训练SR重建网络，形成第一个循环。然后在第二个反向循环中，利用真实世界LR图像的一致性来进一步稳定SR重建和退化网络的训练。在合成图像和真实图像上的大量实验表明，该算法对最先进的单图像SR方法表现良好。
2018-12-13 cs.CV
Probabilistic Noise2Void: Unsupervised Content-Aware Denoising
MPI-CBG/PKS (CSBD)（马克斯·普朗克分子细胞生物学与遗传学研究所/普朗克计算生物学中心（德累斯顿系统生物学中心））；Brno University of Technology（布尔诺理工大学）
如今，卷积神经网络（CNN）是图像去噪的主要方法。传统上，它们是在成对的图像上训练的，这通常很难在实际应用中获得。这激发了自我监督的训练方法，如Noise 2 Void ~（N2 V），它们对单个噪声图像进行操作。不幸的是，自监督方法与在图像对上训练的模型没有竞争力。在这里，我们提出了“ProbabilityNoise 2 Void”（PN 2 V），这是一种训练CNN来预测每像素强度分布的方法。结合这些与适当的描述的噪声，我们得到一个完整的概率模型的噪声观测和真实的信号在每个像素。我们评估PN 2 V上公开可用的显微镜数据集，在广泛的噪声制度，并实现有竞争力的结果与监督的最先进的方法。
2019-06-04 cs.CV eess.IV
Robust Unsupervised StyleGAN Image Restoration
Inria（法国国家信息与自动化研究所）；Université Laval（拉瓦尔大学）
本文提出一种鲁棒的无监督StyleGAN图像复原方法，通过三阶段渐进式潜空间扩展和保守优化器，实现单一超参数适用于多种退化水平及组合，优于现有StyleGAN逆变换和扩散复原方法。
2023-06-22 cs.CV
Interpretable Unsupervised Joint Denoising and Enhancement for Real-World low-light Scenarios
Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）；Tsinghua University（清华大学）
针对真实低光照图像复杂退化及现有方法的局限，提出基于成像原理与retinex理论的可解释无监督联合去噪增强框架，结合DCT频域分解与隐式引导策略分离退化，经实验验证性能优越。
2025-03-17 cs.AI cs.CV eess.IV
PULPo: Probabilistic Unsupervised Laplacian Pyramid Registration
Cluster of Excellence – ML for Science（卓越集群——科学机器学习）；University of Tübingen（蒂宾根大学）；Faculty of Health Sciences and Medicine, University of Lucerne（卢塞恩大学健康科学与医学院）；University of Lübeck（吕贝克大学）
针对现有神经网络可形变图像配准方法大多无法估计不确定性的问题，提出概率式配准方法PULPo，通过拉普拉斯金字塔融合不同层级形变场的概率分布，实现全局与局部形变建模，在两个神经影像数据集上取得了优于现有方法的配准性能与不确定性校准效果。
2024-07-15 cs.CV eess.IV
Unsupervised Representation Learning for 3D MRI Super Resolution with Degradation Adaptation
Vitalent Consulting（维塔伦特咨询公司）；University Hospital Heidelberg（海德堡大学医院）；James Cook University（詹姆斯库克大学）；La Trobe University（拉筹伯大学）；Monash University（莫纳什大学）；University of Sydney（悉尼大学）
本文提出无监督退化自适应网络 UDEAN，通过从不对齐或未配对的低分辨率 MRI 中学习退化表示，再训练超分辨率重建网络，从而缓解合成与真实低分辨率图像之间的退化差异，提升临床三维 MRI 超分辨率重建质量。
2024-04-24 cs.CV eess.IV physics.med-ph
Probabilistic Multilayer Regularization Network for Unsupervised 3D Brain Image Registration
The Chinese University of Hong Kong（香港中文大学）
脑图像配准是将一对脑图像配准为一个具有匹配成像内容的系统，对脑图像分析具有重要意义。提出了一种新的无监督三维脑图像配准框架，通过获取未对准图像和参考图像之间的特征级变换关系。为了实现这一目标，我们开发了一个特征级概率模型，为两个深度卷积神经网络的隐藏层提供直接正则化，这两个深度卷积神经网络是从两个输入图像中构建的。该模型设计被开发成这两个网络的多个层，以捕获不同级别的转换关系。我们采用两个常见的基准数据集的三维脑图像配准，并进行各种实验来评估我们的方法。实验结果表明，我们的方法明显优于国家的最先进的方法在这两个基准数据集的大幅度。
2019-07-03 cs.CV
DiffLLE: Diffusion-guided Domain Calibration for Unsupervised Low-light Image Enhancement
Peking University（北京大学）
本文提出 DiffLLE，利用预训练扩散模型设计 DDC 与 FTD 两个零样本模块，分别校准真实低光退化域并蒸馏高质量目标域，从而提升无监督增强的泛化性与效果。
2023-08-18 cs.CV
Dual-Diffusion: Dual Conditional Denoising Diffusion Probabilistic Models for Blind Super-Resolution Reconstruction in RSIs
针对遥感图像盲超分辨率中退化核估计和不适定图像生成的挑战，提出基于双条件DDPM的DDSR框架，通过构建核预测器和重建器学习映射，性能优于SOTA方法。
2023-05-20 cs.CV eess.IV
INDIGO+: A Unified INN-Guided Probabilistic Diffusion Algorithm for Blind and Non-Blind Image Restoration
本文提出INDIGO和BlindINDIGO，一种结合可逆神经网络与预训练扩散模型的统一算法，用于盲和非盲图像恢复，通过INN模拟退化过程并引导扩散采样，实验证明其性能与最新方法相当。
2025-01-23 cs.CV eess.IV
Cycle-Interactive Generative Adversarial Network for Robust Unsupervised Low-Light Enhancement
Tongji University（同济大学）；Nanyang Technological University（南洋理工大学）；Meituan（美团）；City University of Hong Kong（香港城市大学）
近年来的无监督弱光增强方法克服了对成对训练数据拟合的局限性，在调节图像的亮度和对比度方面表现出色。然而，对于无监督的弱光增强，由于缺乏对详细信号的监督而导致的剩余噪声抑制问题在很大程度上阻碍了这些方法在现实世界应用中的广泛部署。本文中，我们提出了一种新的用于无监督低光图像增强的循环交互式生成对抗网络（CIGAN），其不仅能够更好地在低/正常光图像之间传递照度分布，而且能够操纵两个域之间的详细信号，例如，在循环增强/降级过程中抑制/合成真实噪声。特别地，所提出的低光引导变换将低光图像的特征从增强GAN（eGAN）的生成器前馈到降级GAN（dGAN）的生成器中。dGAN利用真实弱光图像的学习信息，可以在弱光图像中合成更真实的光照和对比度。此外，dGAN中的特征随机扰动模块学习增加特征随机性以产生不同的特征分布，从而说服合成的低光图像包含真实的噪声。大量的实验表明了该方法的优越性和CIGAN中各个模块的有效性。
2022-07-03 cs.CV eess.IV
MM-RealSR: Metric Learning based Interactive Modulation for Real-World Super-Resolution
Peking University Shenzhen Graduate School（北京大学深圳研究生院）；Peng Cheng Laboratory（鹏城实验室）；Tencent PCG（腾讯平台与内容事业群）；Shanghai AI Laboratory（上海人工智能实验室）
交互式图像复原的目的是通过调整多个控制系数来恢复图像，这些控制系数决定了复原强度。现有的方法在已知退化类型和水平的监督下学习可控功能受到限制。当实际性能下降与他们的假设不同时，他们通常会遭受严重的性能下降。这种限制是由于现实世界的退化的复杂性，这不能提供明确的监督，在训练过程中的交互式调制。然而，如何在真实世界中实现超分辨率的交互调制尚未被研究。在这项工作中，我们提出了一个基于度量学习的交互式调制现实世界的超分辨率（MM-RealSR）。具体来说，我们提出了一个无监督的退化估计策略，估计在现实世界中的情况下的退化水平。我们提出了一种度量学习策略，将现实世界中不可量化的退化水平映射到一个度量空间，而不是使用已知的退化水平作为对交互机制的明确监督。此外，我们在度量学习过程中引入锚点策略，以规范化度量空间的分布。大量的实验表明，所提出的MM-RealSR实现了良好的调制和恢复性能，在现实世界的超分辨率。代码可在https://github.com/TencentARC/MM-RealSR上获得。
2022-07-27 cs.CV eess.IV
Unsupervised Multiple-Object Tracking with a Dynamical Variational Autoencoder
Inria Grenoble Rhône-Alpes（法国国家信息与自动化研究所罗纳-阿尔卑斯大区格勒诺布尔中心）；Univ. Grenoble-Alpes（格勒诺布尔阿尔卑斯大学）；Grenoble-INP（格勒诺布尔国立理工学院）
提出了一种基于动态变分自编码器（DVAE）的多目标跟踪（MOT）无监督概率模型及其估计算法（DVAE-UMOT）。DVAE是一种潜在变量深度生成模型，可以被视为用于时间序列建模的变分自编码器的扩展。它包含在DVAE-UMOT中，在对单对象轨迹的未标记合成数据集进行预训练后，对对象的动态进行建模。然后利用变分推理的原理：定义隐变量的近似后验分布，最大化数据似然函数的相应证据下界，在每个待跟踪的多目标序列上估计DVAE-UMOT的分布和参数。DVAE-UMOT的实验结果表明，竞争以及甚至超过两个国家的最先进的概率MOT模型的性能。代码和数据是公开的。
2022-02-21 cs.CV cs.LG
Closed-Loop Unsupervised Representation Disentanglement with $β$-VAE Distillation and Diffusion Probabilistic Feedback
Ningbo Institute of Digital Twin, Eastern Institute of Technology（宁波数字孪生研究所、东部技术研究所）；Shanghai Jiao Tong University（上海交通大学）；Xi’an Jiaotong University（西安交通大学）
针对表示解缠中依赖标注、约束启发式和评估缺失的问题，提出闭环无监督方法 CL-Dis，结合扩散自编码器与 $\eta$-VAE 蒸馏及反馈，实现语义解缠并提升真实图像操作与视觉分析性能。
2025-09-09 cs.CV cs.LG
Unsupervised Lesion Detection via Image Restoration with a Normative Prior
ETH Zürich（苏黎世联邦理工学院）；University of Bern（伯尔尼大学）
无监督病变检测是一个具有挑战性的问题，需要准确估计健康解剖结构的规范分布，并在没有训练样本的情况下将病变检测为离群值。最近，随着无监督学习和深度学习的进步，这个问题越来越受到研究界的关注。最近提出的方法的主要方法是学习用网络参数化的潜变量模型，以使用示出健康解剖结构的示例图像来近似规范分布，执行先验投影，即使用潜变量模型重建具有病变的图像，并基于重建图像和原始图像之间的差异来确定病变。虽然很有希望，但事先预测步骤通常会导致大量的误报。在这项工作中，我们将无监督病变检测作为图像恢复问题，并提出了一个概率模型，该模型使用基于网络的先验作为规范分布，并使用MAP估计检测病变像素。概率模型惩罚恢复图像和原始图像之间的大偏差，减少像素检测中的误报。使用公开可用的数据集在脑MRI中进行的神经胶质瘤和中风病变的实验表明，所提出的方法在神经胶质瘤和中风检测方面均优于最先进的无监督方法，其幅度为+0.13（AUC）。广泛的模型分析证实了MAP图像恢复的有效性。
2020-04-30 cs.CV eess.IV
WeatherCycle: Unpaired Multi-Weather Restoration via Color Space Decoupled Cycle Learning
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）
本文提出无配对框架 WeatherCycle，通过亮度—色度解耦循环、LDGM 退化建模和 DACR 对比正则化实现多天气图像复原，并在多个数据集上达到无监督方法的最优性能。
2025-09-27 cs.CV
Unsupervised Anatomical Feature Learning via Diffusion Models: Enhanced Medical Image Segmentation with Denoising Diffusion Probabilistic Models
Manipal Institute of Technology Bengaluru, Manipal Academy of Higher Education（马尼帕尔理工学院班加罗尔分校，马尼帕尔高等教育学院）
该研究提出用无监督DDPM预训练提取解剖特征，将编码器权重迁移至U-Net实现医学图像分割，在BTCV数据集上显著提升多器官分割性能，低数据场景下仍保持稳健表现。
2026-08-27 cs.AI cs.CV cs.LG
Unsupervised Hyperspectral and Multispectral Images Fusion Based on the Cycle Consistency
Northwestern Polytechinical University（西北工业大学）；Heriot Watt University（赫瑞瓦特大学）
本文提出基于循环一致性的无监督高光谱与多光谱图像融合模型CycFusion，通过域变换学习将高空间分辨率HSI作为中间特征图，并嵌入估计的PSF和SRF作为预训练权重，在多个数据集上优于现有无监督融合方法。
2023-07-07 cs.CV eess.IV
Learning Many-to-Many Mapping for Unpaired Real-World Image Super-resolution and Downscaling
School of Remote Sensing and Information Engineering, Wuhan University（武汉大学遥感信息工程学院）
本文提出无监督模型SDFlow，通过在潜空间解耦内容与退化信息并拟合条件分布，同时学习真实世界高低分辨率图像间的双向多对多映射，有效解决了现有方法忽略升降尺度相互依赖性及退化不适定性的问题，能生成多样逼真的LR和SR图像。
2023-10-08 cs.CV eess.IV
Probabilistic Color Constancy
Tampere University（坦佩雷大学）；Finnish Environment Institute（芬兰环境研究所）；Aarhus University（奥胡斯大学）；Xiaomi（小米）
在本文中，我们提出了一种新的无监督的颜色恒常性方法，称为概率颜色恒常性（PCC）。我们定义了一个框架，用于估计一个场景的照明加权使用基于图形的图像表示的不同图像区域的贡献。为了估计每个（超）像素的权重，我们依赖于两个假设：具有相似颜色的（超）像素贡献相似，而较暗的（超）像素贡献较小。与最先进的方法相比，所提出的方法在INTEL-TAU数据集上实现了具有竞争力的性能。
2020-05-06 cs.CV eess.IV
Two Heads Better than One: Dual Degradation Representation for Blind Super-Resolution
本文提出双退化表示方法，通过双分支网络预测模糊和噪声嵌入，提升盲超分辨率任务的性能。
2025-11-21 cs.CV
SUFFICIENT: A scan-specific unsupervised deep learning framework for high-resolution 3D isotropic fetal brain MRI reconstruction
Bilkent University（比尔肯大学）
提出一种扫描特定的无监督深度学习框架SUFFICIENT，通过迭代SVR和SRR实现高分辨率各向同性胎儿脑MRI重建，无需外部训练数据，在模拟和临床数据上优于现有方法。
2025-05-26 cs.CV eess.IV
Spatially-Variant Degradation Model for Dataset-free Super-resolution
East China Normal University（华东师范大学）
针对无数据集盲图像超分辨率问题，提出首个像素级空间可变退化模型，通过模糊集隶属度推导系数、蒙特卡洛EM算法推断退化核，参数量少且性能较前沿方法平均提升1dB。
2024-07-11 cs.CV eess.IV
Unsupervised Work Behavior Pattern Extraction Based on Hierarchical Probabilistic Model
The University of Electro-Communications（电气通信大学）
针对工人行为分析人工效率低、现有机器学习方法依赖标注数据的问题，提出层次化连接GP-HSMM与HSMM的无监督概率模型，无需标注即可提取多粒度行为模式，在实际生产数据上的NLD表现优于基线方法。
2024-05-16 cs.LG
A Unified Contrastive Energy-based Model for Understanding the Generative Ability of Adversarial Training
Peking University（北京大学）；Peng Cheng Laboratory（鹏城实验室）
对抗训练（AT）被认为是增强深度神经网络鲁棒性的有效方法。近年来，研究者们注意到具有AT的鲁棒模型具有良好的生成能力，并且能够合成真实感图像，但其背后的原因尚未得到充分的研究。在本文中，我们通过开发一个统一的概率框架，称为基于对比能量的模型（CEM）来揭开这一现象的神秘面纱。一方面，我们通过对鲁棒性和生成能力的统一理解，提供了AT的第一个概率表征。另一方面，我们的统一框架可以扩展到无监督的情况下，解释无监督对比学习作为一个重要的抽样CEM。在此基础上，我们提出了一种原则性的方法来开发对抗性学习和采样方法。实验结果表明，从我们的框架派生的采样方法提高了样本质量的监督和无监督学习。值得注意的是，我们的无监督对抗采样方法在CIFAR-10上的初始得分为9.61，优于以前的基于能量的模型，并与最先进的生成模型相当。
2022-03-25 cs.CV cs.LG stat.ML
Gaussian Light Field Splatting: A Physical Prior-Driven Vision Transformer for Unsupervised Low-Light Image Enhancement
College of Mechanical and Vehicle Engineering, Chongqing University（重庆大学机械与车辆工程学院）；Herbert Wertheim College of Engineering, University of Florida（佛罗里达大学赫伯特·韦特海姆工程学院）；Department of Electrical and Computer Engineering, Carnegie Mellon University（卡内基梅隆大学电气与计算机工程系）；National Innovation Center of Intelligent and Connected Vehicles（国家智能网联汽车创新中心）；School of Vehicle and Mobility, Tsinghua University（清华大学车辆与运载学院）
提出GLFS模型，将高斯溅射的连续物理光照建模引入Transformer，通过各向异性高斯函数表示场景光照并引入物理引导偏置到自注意力中，配合颜色向量角损失和亮度边缘损失，实现非均匀光照下的曝光均衡和色彩校正，达到最先进性能。
2026-06-17 cs.CV
Joint Learning Content and Degradation Aware Feature for Blind Super-Resolution
Youtu Lab, Tencent（腾讯优图实验室）；Shanghai Development Center of Computer Software Technology（上海计算机软件技术开发中心）
为了在盲图像超分辨率（SR）上取得有希望的结果，一些尝试利用低分辨率（LR）图像来预测内核并提高SR性能。然而，这些监督核预测（SKP）方法是不切实际的，由于不可用的现实世界的模糊内核。虽然一些无监督退化预测（UDP）方法被提出来绕过这个问题，退化嵌入和SR特征之间的\textit{inconsistency}仍然是具有挑战性的。通过探索退化嵌入和SR特征之间的相关性，我们观察到联合学习内容和退化感知特征是最佳的。在此基础上，提出了一种内容和降级感知的SR网络，称为CDSR。具体来说，CDSR包含三个新建立的模块：（1）一个轻量级的基于补丁的编码器（LPE）被用来联合提取内容和退化特征;（2）一个域查询注意力的模块（DQA）被用来自适应地减少不一致性;（3）一个基于码本的空间压缩模块（CSC），可以抑制冗余信息。在多个基准测试上的实验表明，所提出的CDSR优于现有的UDP模型，即使与最先进的SKP方法相比，在PSNR和SSIM上也具有竞争力的性能。
2022-08-29 cs.CV
DeeDSR: Towards Real-World Image Super-Resolution via Degradation-Aware Stable Diffusion
School of Electrical and Information Engineering, Tianjin University（天津大学电气与信息工程学院）
本文提出DeeDSR，一种两阶段退化感知框架，通过无监督对比学习退化表示并注入简化ControlNet，以提升真实世界图像超分辨率的语义保真度和细节恢复能力。
2024-03-31 cs.CV
DDR: Exploiting Deep Degradation Response as Flexible Image Descriptor
School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院）；University of California, Santa Cruz（加州大学圣克鲁兹分校）；Pengcheng Laboratory（鹏城实验室）；City University of Hong Kong（香港城市大学）
本文提出深度退化响应（DDR）方法，通过文本驱动提示灵活量化图像深度特征变化，作为图像描述符在质量评估和图像恢复任务中表现优异。
2024-10-15 cs.CV
Degradation Prediction of Semiconductor Lasers using Conditional Variational Autoencoder
Vertilas GmbH（Vertilas有限公司）；ADVA Optical Networking SE（ADVA光网络股份公司）；Kiel University (CAU)（基尔大学（克里斯蒂安-阿尔布雷希茨大学））
半导体激光器已经快速发展以满足下一代光网络的需求。这对激光器的可靠性提出了更严格的要求，这些要求由退化机制（例如，突然退化）限制了半导体激光器的寿命。基于物理的方法通常用于分析表征降解行为，但需要明确的领域知识和精确的数学模型。由于缺乏对在各种操作条件下引起降解的复杂物理过程的充分理解，建立这样的模型可能非常具有挑战性。为了克服上述限制，我们提出了一种新的数据驱动方法，从运行监测数据中提取有用的见解来预测退化趋势，而不需要任何特定的知识或使用任何物理模型。所提出的方法是基于一种无监督的技术，一个有条件的变分自编码器，并验证使用垂直腔面发射激光器（VCSEL）和可调边缘发射激光器的可靠性数据。实验结果证实，我们的模型（i）通过产生95.3%的F1分数实现了良好的退化预测和泛化性能，（ii）优于几种基于基线ML的异常检测技术，并且（iii）通过在测试结束之前早期预测故障设备来帮助缩短老化测试，从而节省成本
2022-11-05 cs.LG
Semi-supervised and unsupervised learning for health indicator extraction from guided waves in aerospace composite structures
本文提出半监督和无监督学习方法，用于从引导波中提取航空航天复合结构的健康指标，通过多领域信号处理提升检测性能。
2026-01-04 cs.CE cs.LG eess.SP
Scalable Deep Unsupervised Clustering with Concrete GMVAEs
HubSpot Inc.（HubSpot公司）
离散随机变量是概率聚类模型的自然组成部分。已经开发了一些具有离散潜变量的VAE变体。训练这样的方法需要对离散潜在变量进行边缘化，导致训练时间复杂度在数量聚类中是线性的。在这些方法中，通过对离散变量应用连续松弛，我们可以将训练时间复杂度降低到所使用的聚类数量不变。我们证明，在实践中，对于一个这样的方法，高斯混合VAE，使用连续松弛对聚类的质量没有负面影响，但提供了大量减少训练时间，减少训练时间CIFAR-100与20个集群从47小时到不到6小时。
2019-09-18 cs.LG stat.ML
Deep Encoder-Decoder Models for Unsupervised Learning of Controllable Speech Synthesis
National Institute of Informatics（国立信息学研究所）；KTH Royal Institute of Technology（KTH皇家理工学院）；University of Edinburgh（爱丁堡大学）
生成通用且适当的合成语音需要控制与口语文本分离的输出表达。重要的非文本语音变化很少被注释，在这种情况下，输出控制必须以无监督的方式学习。本文对统计语音合成中的无监督学习控制方法进行了深入的研究。例如，我们证明了流行的无监督训练算法可以被解释为某些自动编码器模型中的变分推理。我们还将这些模型连接到VQ-VAE，这是最近提出的另一类深度变分自编码器，我们表明它可以从非常相似的数学论证中推导出来。这些新的概率解释的影响进行了讨论。我们说明了各种方法的实用性与应用程序的声学建模的情感语音合成，学习表达控制的无监督的方法（没有访问情感标签）被发现在许多方面匹配或超过以前的最佳监督方法的结果。
2018-09-09 cs.LG cs.SD eess.AS
LDP-Net: An Unsupervised Pansharpening Network Based on Learnable Degradation Processes
Sichuan University（四川大学）；Hunan University（湖南大学）
遥感图像全色锐化的目的是将全色图像与低分辨率多光谱图像进行融合，直接获得高分辨率多光谱图像。如何将LRMS图像丰富的光谱信息与PAN图像丰富的空间信息有效地结合起来是研究的重点。最近，已经提出了许多基于深度学习的方法来执行pansharpening任务。然而，这些方法通常具有两个主要缺点：1）需要HRMS进行监督学习;以及2）简单地忽略MS和PAN图像之间的潜在关系并直接融合它们。为了解决这些问题，我们提出了一种新的无监督网络的基础上可学习的退化过程，被称为LDP-Net。分别设计了一个再模糊模块和一个灰度化模块来学习相应的退化过程。此外，提出了一种新的混合损失函数，以约束在不同分辨率的泛锐化图像和PAN和LRMS图像之间的空间和光谱的一致性。Worldview 2和Worldview 3图像上的实验表明，我们提出的LDP-Net可以有效地融合PAN和LRMS图像，而无需HRMS样本的帮助，在定性视觉效果和定量指标方面都取得了良好的性能。
2021-11-24 cs.CV eess.IV
INDigo: An INN-Guided Probabilistic Diffusion Algorithm for Inverse Problems
Imperial College London（帝国理工学院）
本文提出 INDigo，用可逆神经网络模拟任意退化并在扩散采样中施加数据一致性，解决传统扩散逆问题方法依赖退化闭式表达式的限制。
2023-06-05 cs.CV eess.IV
Unsupervised particle sorting for cryo-EM using probabilistic PCA
单粒子低温电子显微镜（cryo-EM）是解析分子结构的领先技术。在该过程的早期，用户检测原始数据中的潜在颗粒图像。通常，由于高水平的噪声和污染，存在许多错误检测。目前，去除错误检测需要人工干预来对数十万张图像进行排序。我们提出了一个自动建立的无监督算法来去除非粒子图像。我们将粒子图像建模为低维子空间的联合，假设非粒子图像在高维空间中任意分散。该算法是基于概率PCA框架的扩展，以鲁棒地学习子空间的非线性模型。这为冷冻EM数据提供了一个灵活的模型，并允许自动删除对应于纯噪声和污染的图像。数值实验证实了排序算法的有效性。
2023-03-07 eess.IV eess.SP
RDDPM: Robust Denoising Diffusion Probabilistic Model for Unsupervised Anomaly Segmentation
H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（H. Milton Stewart工业与系统工程学院，佐治亚理工学院）
针对仅含受污染无标签数据的场景，提出鲁棒去噪扩散概率模型RDDPM，通过鲁棒回归重释扩散模型，在MVTec上显著提升异常分割性能。
2025-08-04 cs.CV eess.IV stat.ML
CADA: Multi-scale Collaborative Adversarial Domain Adaptation for Unsupervised Optic Disc and Cup Segmentation
University of Florida（佛罗里达大学）；UNC Charlotte（北卡罗来纳大学夏洛特分校）
视网膜成像设备的多样性带来了一个重大挑战：域转移，当将在一个域上训练的深度学习模型应用于新的测试域时，会导致性能下降。在本文中，我们提出了一个多尺度输入以及多个域适配器分层应用在特征和输出空间。提出的训练策略和新的无监督域自适应框架，称为协作对抗域自适应（CADA），可以有效地克服这一挑战。多尺度输入可以减少由于网络中用于特征提取的池化层而导致的信息损失，而我们提出的CADA是一种交互式范例，通过对抗性学习和在不同网络层集成权重来呈现精致的协作自适应。特别是，为了对未标记的目标域数据进行更好的预测，我们同时通过对抗性学习来实现域不变性和模型的泛化能力，这些学习来自不同级别的网络层的多尺度输出，并在训练期间保持历史权重的指数移动平均值（EMA）。在不注释来自目标域的任何样本的情况下，编码器和解码器层中的多个对抗性损失引导提取域不变特征以混淆域分类器。同时，通过EMA的权重集成减少了自适应多重学习的不确定性。综合实验结果表明，我们的CADA模型结合多尺度输入训练，可以克服性能下降，并优于最先进的领域自适应方法分割视网膜视盘和杯从眼底图像源于REFUGE，Drishti-GS，和Rim-One-r3数据集。
2021-10-05 cs.CV cs.LG eess.IV
Denoising Diffusion Probabilistic Models for Robust Image Super-Resolution in the Wild
Google Research（谷歌研究院）
扩散模型已经在单图像超分辨率和其他图像到图像的转换任务上显示出有希望的结果。尽管取得了这一成功，但在更具挑战性的盲超分辨率任务中，它们的表现并没有超过最先进的GAN模型，其中输入图像不在分布范围内，具有未知的退化。本文介绍了一种基于扩散的盲超分辨率模型SR 3+，建立了一个新的最先进的模型。为此，我们提倡自监督训练，结合了用于自监督训练的复合参数化退化，以及在训练和测试期间的噪声调节增强。通过这些创新，大规模卷积架构和大规模数据集，SR 3+的性能大大优于SR 3。当在相同的数据上训练时，它的性能优于Real-ESRGAN，DRealSR FID得分为36.82 vs. 37.22，在更大的模型下进一步提高到FID 32.37，并且在更大的训练集下进一步提高。
2023-02-15 cs.CV eess.IV
Deep Variational Clustering Framework for Self-labeling of Large-scale Medical Images
Technical University of Munich（慕尼黑工业大学）；Massachusetts Eye and Ear Hospital（马萨诸塞眼耳医院）；Harvard Medical School（哈佛医学院）；LMU Munich（慕尼黑大学）
我们提出了一个深度变分聚类（DVC）框架，用于无监督的表示学习和大规模医学图像的聚类。DVC通过概率卷积编码器同时学习多变量高斯后验，通过概率卷积解码器同时学习似然分布，并优化聚类标签分配。在这里，学习的多元高斯后验捕获了大量未标记图像的潜在分布。然后，我们使用聚类损失在变分潜在空间上进行无监督聚类。在这种方法中，概率解码器有助于防止潜在空间中的数据点的失真，并保持数据生成分布的局部结构。训练过程可以被认为是一个自我训练过程，以改进潜在空间，同时迭代地优化聚类分配。我们在三个代表不同医学成像模式的公共数据集上评估了我们提出的框架。我们的实验结果表明，我们提出的框架在不同的数据集上具有更好的泛化能力。它在几个医学成像基准上取得了令人信服的结果。因此，我们的方法在现实世界的应用中比传统的深度无监督学习具有潜在的优势。该方法和所有实验的源代码可在以下网址公开获得：https://github.com/csfarzin/DVC
2021-09-22 cs.CV cs.LG eess.IV
C-MADA: Unsupervised Cross-Modality Adversarial Domain Adaptation framework for medical Image Segmentation
Universidad San Francisco de Quito（旧金山基多大学）；University of South Florida（南佛罗里达大学）
深度学习模型已经获得了医学图像分析的最新成果。然而，当这些模型在一个看不见的域上进行测试时，会出现显著的性能下降。在这项工作中，我们提出了一个无监督的跨模态对抗域自适应（C-MADA）框架的医学图像分割。C-MADA以顺序方式实现图像和特征级自适应方法。首先，来自源域的图像通过具有周期一致性损失的非配对图像到图像对抗翻译被翻译到目标域。然后，用映射的源域图像和目标域图像以对抗的方式训练U-Net网络，以学习域不变特征表示。此外，为了提高网络分割性能，在对抗训练期间包括关于预测分割的形状，纹理和轮廓的信息。C-MADA在脑MRI分割任务上进行了测试，获得了有竞争力的结果。
2021-10-29 cs.CV eess.IV
