Pyramid Real Image Denoising Network
Beijing University of Posts and Telecommunications（北京邮电大学）；GuangDong TUS-TuWei Technology Co.,Ltd（广东拓思途维科技有限公司）
虽然深度卷积神经网络（CNN）已经显示出对特定噪声建模和去噪的非凡能力，但它们在现实世界的噪声图像上仍然表现不佳。主要原因是现实世界的噪声更加复杂和多样。为了解决盲去噪问题，本文提出了一种新的金字塔真实图像去噪网络（PRIDNet），它包括三个阶段。首先，噪声估计阶段使用信道注意力机制来重新校准输入噪声的信道重要性。其次，在多尺度去噪阶段，利用金字塔池提取多尺度特征。第三，特征融合阶段采用核选择操作自适应地融合多尺度特征。两个数据集上的真实噪声照片的实验表明，我们的方法可以实现竞争力的性能相比，国家的最先进的去噪器在定量测量和视觉感知质量。代码可在https://github.com/491506870/PRIDNet上获得。
2019-10-22 cs.CV cs.LG eess.IV
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
Deep Encoder-Decoder Neural Network for Fingerprint Image Denoising and Inpainting
Chongqing Normal University（重庆师范大学）
指纹图像去噪是指纹识别中非常重要的一步。为了提高指纹图像的去噪效果，设计了一种基于深度编解码器网络的指纹去噪算法，编码器子网学习含噪图像的指纹特征，解码器子网根据特征重构原始指纹图像实现去噪，同时在网络中使用扩张卷积，在不增加复杂度的情况下增加受体场，改善网络推理速度此外，通过引入残差学习，实现了网络不同层次的特征融合，进一步还原了指纹的细节特征，提高了去噪效果。实验结果表明，该算法能较好地恢复指纹图像的边缘、直线和曲线特征，与其他方法相比，具有更好的视觉效果和更高的峰值信噪比（PSNR）。
2020-05-03 cs.CV eess.IV
A Multi-Head Convolutional Neural Network With Multi-path Attention improves Image Denoising
Communication University of China（中国传媒大学）
近年来，卷积神经网络和注意力机制在图像去噪中得到了广泛的应用，并取得了令人满意的效果。然而，以往的工作大多使用单一的头来接收噪声图像，限制了提取的特征的丰富性。因此，本文提出了一种新的具有多个头（MH）的CNN，命名为MH CNN，其头将接收不同旋转角度的输入图像。MH使MHCNN同时利用旋转图像的特征来去除噪声。为了有效地结合这些功能，我们提出了一种新的多路径注意力机制（MPA）。与以前处理像素级、通道级或块级特征的注意力机制不同，MPA关注图像级的特征。实验结果表明，MHCNN在加性高斯白噪声（AWGN）去噪和真实图像去噪方面优于其他最先进的CNN模型。其峰值信噪比（PSNR）结果高于其他网络，如BRDNet，RIDNet，PAN-Net和CSANN。该代码可在https://github.com/JiaHongZ/MHCNN上访问。
2022-11-04 cs.CV cs.LG eess.IV
NFCNN: Toward a Noise Fusion Convolutional Neural Network for Image Denoising
School of Mathematics, Sichuan University（四川大学数学学院）
基于深度学习的方法在图像去噪方面已经达到了最先进的性能。本文提出了一种基于深度学习的去噪方法，并在卷积神经网络中引入了一个称为融合块的模块。对于这种所谓的噪声融合卷积神经网络（NFCNN），其多级架构中有两个分支。一个分支的目的是预测潜在的清洁图像，而另一个预测的残留图像。通过将预测的干净图像和预测的残差图像作为输入的一部分，在每两个阶段之间包含融合块，并且其将融合结果输出到下一阶段。由于融合块，NFCNN具有吸引人的纹理保持能力。为了训练NFCNN，采用了分阶段的监督训练策略，以避免梯度消失和梯度爆炸问题。实验结果表明，与一些最先进的算法相比，NFCNN能够执行有竞争力的去噪结果。
2021-02-17 cs.CV cs.LG eess.IV
Exploring ensembles and uncertainty minimization in denoising networks
École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
神经网络的发展极大地提高了各种计算机视觉任务的性能。在图像去噪领域，基于卷积神经网络的方法如DnCNN突破了经典方法的局限性，取得了较好的定量效果。然而，神经网络中存在的认知不确定性限制了其在去噪任务上性能的进一步提高。因此，我们开发和研究不同的解决方案，以最大限度地减少不确定性，并进一步提高噪声的去除。从集成学习的角度来看，我们从空间域和频域的角度对噪声图像进行操作，然后使用预先训练的去噪网络对它们进行去噪。我们提出了一个融合模型，由两个注意力模块，重点是分配适当的权重像素和通道。实验结果表明，我们的模型在常规预训练去噪网络的基线之上实现了更好的性能。
2021-01-24 cs.CV eess.IV
Dynamic Slimmable Denoising Network
RMIT University（皇家墨尔本理工大学）；University of Technology Sydney（悉尼科技大学）
近年来，大量人工设计和自动搜索的神经网络被应用于图像去噪。然而，以前的作品打算在一个预定义的静态网络架构，这不可避免地导致高计算复杂性良好的去噪质量处理所有的噪声图像。在这里，我们提出了动态瘦身去噪网络（DDS-Net），一种通用的方法，以实现良好的去噪质量与较低的计算复杂性，通过动态调整网络的通道配置，在测试时间相对于不同的噪声图像。我们的DDS-Net被赋予了动态推理的能力，通过一个动态门，它可以预测性地调整网络的通道配置，而额外的计算成本可以忽略不计。为了保证每个候选子网的性能和动态门的公平性，我们提出了一个三阶段的优化方案。在第一阶段，我们训练一个重量共享的可瘦身超级网络。在第二阶段，我们以迭代的方式评估训练好的可瘦身超级网络，并逐步调整每层的通道数量，使去噪质量下降最小。通过一个单一的通道，我们可以得到几个子网络在不同的信道配置下具有良好的性能。在最后一个阶段中，我们在线识别容易和困难的样本，并训练一个动态门，以预测性地选择相应的子网络相对于不同的噪声图像。大量的实验表明，我们的DDS网络始终优于最先进的单独训练的静态去噪网络。
2021-10-17 cs.CV eess.IV
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
SMDS-Net: Model Guided Spectral-Spatial Network for Hyperspectral Image Denoising
Nanjing University of Science and Technology（南京理工大学）；University of Macau（澳门大学）；Griffith University（格里菲斯大学）；Zhejiang University（浙江大学）
基于深度学习（DL）的高光谱图像（HSI）去噪方法直接学习观察到的噪声图像和底层干净图像之间的非线性映射。他们通常不考虑HSI的物理特性，因此使它们缺乏可解释性，这是理解其去噪机制的关键。为了解决这个问题，我们引入了一种新的模型引导的可解释网络HSI去噪。具体而言，充分考虑HSI的空间冗余性、谱低秩性和谱空特性，首先建立了基于子空间的多维稀疏模型。该模型首先将观测到的HSI投影到一个低维正交子空间中，然后用多维字典表示投影图像。然后，将模型展开为一个端到端的网络SMDS-Net，其基本模块与模型的去噪过程和优化无缝连接。这使得SMDS-Net传达了清晰的物理含义，即，学习HSIs的低秩和稀疏性。最后，通过端到端训练获得包括字典和阈值参数在内的所有关键变量。大量的实验和综合分析证实了我们的方法对国家的最先进的HSI去噪方法的去噪能力和可解释性。
2021-11-15 cs.CV eess.IV
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
Noise2Blur: Online Noise Extraction and Denoising
Xiamen University（厦门大学）；University of Science and Technology of China（中国科学技术大学）；Columbia University（哥伦比亚大学）
我们提出了一个新的框架，称为Noise 2Blur（N2 B），用于训练鲁棒的图像去噪模型，而无需预先收集成对的噪声/干净图像。该模型的训练只需要一些（甚至一个）噪声图像，一些随机的未配对的干净图像，和无噪声，但模糊的标签通过预定义的噪声图像的过滤获得。N2 B模型由两部分组成：去噪网络和噪声提取网络。首先，噪声提取网络在模糊标签的指导下学习使用来自去噪网络的噪声信息输出噪声图。然后，将噪声图添加到干净图像以生成新的“噪声/干净”图像对。使用新的图像对，去噪网络学习从嘈杂的观察中生成干净和高质量的图像。这两个网络同时训练，相互帮助，学习噪声到清洁/模糊的映射。几个去噪任务的实验表明，N2 B的去噪性能接近于用预先收集的配对数据训练的其他去噪CNN。
2020-05-14 cs.CV eess.IV
Image Denoising for Strong Gaussian Noises With Specialized CNNs for Different Frequency Components
在图像去噪的机器学习方法中，训练网络从噪声图像中恢复干净的图像。本文提出了一种基于训练多个专用网络的新结构，而不是基于单个网络的现有结构。该模型是训练深度网络的一种替代方案，可以避免梯度消失或爆炸等问题。通过将一个非常深的网络划分为两个较小的网络，可以获得相同数量的可学习参数，但是应该训练两个更小的网络，这两个网络更容易训练。过度平滑和蜡质伪影是现有方法的主要问题;因为网络试图保持一般结构和细节的均方误差（MSE）较低，这导致忽略细节。在存在强噪音的情况下，这个问题更加严重。为了减少这个问题，在所提出的结构中，图像被分解为低频和高频分量，每个分量用于训练单独的去噪卷积神经网络。一个网络专门用于重建图像的一般结构，另一个专门用于重建细节。结果表明，该方法具有较高的峰值信噪比（PSNR），和结构相似性指数（SSIM）相比，一个流行的国家的最先进的去噪方法在强噪声的存在下。
2020-11-26 cs.CV cs.LG eess.IV
Operational vs Convolutional Neural Networks for Image Denoising
Tampere Universities（坦佩雷大学）；Qatar University（卡塔尔大学）
卷积神经网络（CNN）由于其自适应学习能力（尤其是深度配置）最近已成为图像去噪的首选技术。然而，由于其独特的线性卷积的同质网络形成，它们的功效本质上是有限的。在这项研究中，我们提出了一个异构网络模型，它允许更大的灵活性，嵌入额外的非线性数据转换的核心。为此，我们提出了操作神经元或操作神经网络（ONN）的想法，它可以实现灵活的非线性和异构配置，采用层间和层内神经元的多样性。此外，我们提出了一个强大的运营商搜索策略的启发Hebbian理论，称为突触可塑性监测（SPM），可以在任何架构的非线性数据驱动的选择。在两个严重的图像去噪问题上对ONNs和CNN进行了一组广泛的比较评估，得出了结论性的证据，即通过非线性算子富集的ONNs可以实现优于CNN的去噪性能，同时具有等效和众所周知的深度配置。
2020-09-01 cs.CV cs.LG cs.NE
Nonlocality-Reinforced Convolutional Neural Networks for Image Denoising
Tampere University of Technology（坦佩雷理工大学）；Noiseless Imaging Ltd（Noiseless Imaging有限公司）
我们介绍了一种非局部稀疏增强深度卷积神经网络去噪的范例。它是由基于卷积神经网络（CNN）的去噪器进行的局部多尺度去噪和基于非局部滤波器（NLF）的非局部去噪的组合，该非局部去噪利用补丁组之间的相互相似性。CNN模型的噪声水平在我们框架的每次迭代中逐渐降低，而它们的输出则通过NLF内隐含的非局部先验进行正则化。与将非局部先验嵌入网络层的复杂神经网络不同，我们的框架是模块化的，它使用标准的预训练CNN和标准的非局部滤波器。所提出的框架，称为NN3D的一个实例，在大型灰度图像数据集显示最先进的性能进行评估。
2018-06-21 cs.CV eess.IV
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
Lattice Fusion Networks for Image Denoising
提出了一种新的卷积神经网络特征融合方法。建议使用不同的特征融合技术来促进信息的流动并改善深度神经网络的训练。这些技术中的一些以及所提出的网络可以被认为是一种有向无环图（DAG）网络，其中一个层可以从其他层接收输入并向其他层输出。在所提出的Lattice Fusion Network（LFNet）的一般框架中，每个卷积层的特征映射基于格图结构被传递到其他层，其中节点是卷积层。为了评估所提出的架构的性能，不同的设计的基础上的LFNet的一般框架实现的任务的图像去噪。该任务被用作需要训练深度卷积网络的示例。结果与最先进的方法进行比较。该网络能够以更少的可学习参数获得更好的结果，这表明LFNets用于训练深度神经网络的有效性。
2021-07-01 cs.CV cs.LG eess.IV
Stochastic Frequency Masking to Improve Super-Resolution and Denoising Networks
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）
超分辨率和去噪是病态的，但基本的图像恢复任务。在盲设置中，退化核或噪声水平是未知的。这使得恢复更具挑战性，特别是对于基于学习的方法，因为它们往往过拟合训练期间看到的退化。我们提出了一个分析，在频域中，超分辨率的退化内核过拟合，并介绍了一个条件学习的角度，扩展到超分辨率和去噪。在我们的公式的基础上，我们提出了一种用于训练的图像的随机频率掩蔽，以正则化网络并解决过拟合问题。我们的技术改进了具有不同合成核的盲超分辨率、实超分辨率、盲高斯去噪和实图像去噪的最新方法。
2020-07-23 cs.CV eess.IV
Image Blind Denoising Using Dual Convolutional Neural Network with Skip Connection
Yunnan Normal University（云南师范大学）
本文提出了一种带有跳跃连接的双卷积盲去噪网络（DCBDNet），通过噪声估计网络与双CNN分支（U型子网和扩张卷积层）结合，在去噪性能与模型复杂度间实现平衡，有效去除多种噪声且具竞争力。
2023-04-04 cs.CV eess.IV
Self-Verification in Image Denoising
Xiamen University（厦门大学）；South China University of Technology（华南理工大学）；Columbia University（哥伦比亚大学）
我们设计了一种新的正则化方法，称为自验证，用于图像去噪。这种正则化是使用网络学习的深度图像先验而不是传统的预定义先验来制定的。具体来说，我们将网络的输出视为“先验”，在“重新噪声化”之后再次去噪。再次去噪后的图像与其先验图像之间的比较可以解释为网络去噪能力的自我验证。我们证明了自我验证鼓励网络捕获恢复图像所需的低级图像统计信息。基于这种自验证正则化，我们进一步证明了网络可以学习去噪，即使它没有看到任何干净的图像。这种学习策略是自监督的，我们称之为自验证图像去噪（SVID）。SVID可以被看作是基于学习的方法和传统的基于模型的去噪方法的混合，其中正则化是使用网络的输出自适应地制定的。我们只使用观察到的损坏数据的SVID各种去噪任务的应用程序。它可以实现接近监督CNN的去噪性能。
2021-11-01 cs.CV eess.IV
TED-net: Convolution-free T2T Vision Transformer-based Encoder-decoder Dilation network for Low-dose CT Denoising
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
低剂量CT是临床应用的主流。然而，与常规剂量CT相比，低剂量CT（LDCT）图像中存在较强的噪声和较多的伪影，这给实际应用带来了障碍。在过去的几年中，基于卷积的端到端深度学习方法已被广泛用于LDCT图像去噪。最近，Transformer已经显示出优于卷积的性能，具有更多的功能交互。但其在LDCT去噪中的应用还没有得到充分的研究。在这里，我们提出了一个无卷积的T2 T视觉变换为基础的编码器-解码器扩张网络（TED-net），以丰富家庭的LDCT去噪算法。该模型是免费的卷积块，并由一个对称的编码器-解码器块与唯一的Transformer。我们的模型在AAPM-Mayo clinic LDCT Grand Challenge数据集上进行了评估，结果显示优于最先进的去噪方法。
2021-06-08 cs.CV eess.IV physics.med-ph
Spatial-Adaptive Network for Single Image Denoising
Zhejiang University（浙江大学）
以前的工作表明，卷积神经网络可以在图像去噪任务中取得良好的性能。然而，这些方法受到局部刚性卷积运算的限制，导致过平滑伪影。更深的网络结构可以缓解这些问题，但需要更多的计算开销。在本文中，我们提出了一种新的空间自适应去噪网络（SADNet）有效的单图像盲噪声去除。为了适应空间纹理和边缘的变化，我们设计了一个残差空间自适应块。引入可变形卷积对空间相关特征进行采样以进行加权。一个编码器-解码器结构与上下文块被引入到捕获多尺度信息。通过由粗到细的去噪，可以得到高质量的无噪图像。我们将我们的方法应用于合成和真实的噪声图像数据集。实验结果表明，我们的方法可以超越国家的最先进的去噪方法在定量和视觉。
2020-07-14 cs.CV eess.IV
Lightweight network towards real-time image denoising on mobile devices
Alibaba Group（阿里巴巴集团）；Shanghai Jiao Tong University（上海交通大学）
本文针对移动端图像去噪延迟问题，识别内存访问成本和NPU不兼容操作等真实瓶颈，提出轻量级网络MFDNet，并设计MFA注意力模块和RepConv重参数化模块，在SIDD和DND基准上以实时延迟取得最先进性能。
2023-05-25 cs.CV eess.IV
DN-ResNet: Efficient Deep Residual Network for Image Denoising
Samsung Semiconductor Inc.（三星半导体公司）
考虑了一种在不完全了解噪声统计的情况下对图像进行盲去噪的深度学习方法。我们提出了DN-ResNet，这是一种由多个残差块（ResBlocks）组成的深度卷积神经网络（CNN）。通过级联训练，DN-ResNet比最先进的去噪网络更准确，计算效率更高。在训练DN-ResNet时，进一步使用边缘感知损失函数，使去噪结果与传统损失函数相比具有更好的感知质量。接下来，我们介绍了依赖可分离的DN-ResNet（DS-DN-ResNet），它使用了建议的依赖可分离的ResBlock（DS-ResBlock）而不是标准的ResBlock，它具有更少的计算成本。DS-DN-ResNet是通过逐步用DS-ResBlocks替换DN-ResNet中的ResBlocks来逐步演进的。其结果是，高精度和良好的计算效率同时实现。虽然以前最先进的深度学习方法专注于对高斯或泊松损坏的图像进行去噪，但我们也考虑对具有加性高斯噪声的更实用的泊松图像进行去噪。结果表明，DN-ResNets更有效，更强大，并且在对受泊松，高斯或泊松-高斯噪声污染的图像进行盲和非盲去噪的情况下，比当前最先进的深度学习方法以及BM 3D算法的流行变体具有更好的去噪效果。我们的网络也适用于其他图像增强任务，如压缩图像恢复。
2018-10-16 cs.CV eess.IV
Spatially Adaptive Self-Supervised Learning for Real-World Image Denoising
Harbin Institute of Technology（哈尔滨工业大学）；Peng Cheng Laboratory（鹏城实验室）
近年来，自监督图像去噪（SSID）取得了重大进展。然而，大多数方法都集中在处理空间无关的噪声，他们对现实世界的sRGB图像与空间相关的噪声几乎没有实用性。虽然像素重排下采样已经被建议用于打破噪声相关性，但它破坏了图像的原始信息，这限制了去噪性能。在本文中，我们提出了一个新的视角来解决这个问题，即，寻求用于现实世界sRGB图像去噪的空间自适应监督。具体来说，我们考虑到噪声图像中的平坦和纹理区域的各自特性，并分别为它们构建监督。对于平坦区域，监督可以安全地从非相邻像素导出，这些像素远离当前像素以排除噪声相关像素的影响。我们将盲点网络扩展为盲邻域网络（BNN），用于在平坦区域提供监督。对于纹理区域，监督必须与相邻像素的内容密切相关。我们提出了一个局部感知网络（LAN），以满足这一要求，而LAN本身是有选择地监督与输出的BNN。结合这两个监督，去噪网络（例如，U-Net）可以很好地训练。大量的实验表明，我们的方法表现良好，对国家的最先进的SSID方法对现实世界的sRGB照片。该代码可在https://github.com/nagejacob/SpatiallyAdaptiveSSID上获得。
2023-03-27 cs.CV eess.IV
STAR-Net: An Interpretable Model-Aided Network for Remote Sensing Image Denoising
Shanghai University（上海大学）；Fudan University（复旦大学）；Sun Yat-Sen University（中山大学）
本文提出STAR-Net及其稀疏变体STAR-Net-S，利用低秩先验捕捉遥感图像非局部自相似性，并结合ADMM引导的深度展开网络实现参数自动学习，兼具模型与深度学习方法优势，有效提升了去噪性能、鲁棒性与可解释性。
2025-05-30 cs.CV cs.LG
Two-stage Progressive Residual Dense Attention Network for Image Denoising
Yunnan Normal University（云南师范大学）
针对现有去噪模型同等利用层次特征导致性能受限的问题，提出两阶段渐进式残差密集注意力网络TSP-RDANet，通过RDAM和HDRDAM模块逐步去噪并保留浅层特征，在七个基准数据集上取得优异效果。
2024-01-05 cs.CV eess.IV
Thunder: Thumbnail based Fast Lightweight Image Denoising Network
University of Electronic Science and Technology of China（电子科技大学）；Kyushu Institute of Technology（九州工业大学）
为了实现从真实世界图像中去除噪声的有希望的结果，大多数现有的去噪网络都是用复杂的网络结构来制定的，这使得它们不适合部署。一些尝试专注于减少滤波器和特征通道的数量，但遭受了很大的性能损失，并且具有快速推理速度的更实用和轻量级的去噪网络具有很高的需求。为此，提出了一种称为Thunder的基于\textbf{Thu} mb \textbf{n} all的\textbf{D} \textbf{e}去噪网络\textbf{r}，并将其实现为用于快速恢复的轻量级结构，而不包括去噪能力。具体来说，Thunder模型包含两个新建立的模块：（1）基于小波的缩略图子空间编码器（TSE），它可以利用子带相关性来提供基于低频特征的近似缩略图;（2）基于子空间投影的细化模块（SPR），它可以基于子空间投影方法渐进地恢复缩略图的细节。在两个真实世界的去噪基准上进行了大量的实验，结果表明，与复杂的设计相比，所提出的Thunder优于现有的轻量级模型，并在PSNR和SSIM上实现了有竞争力的性能。
2022-05-24 cs.CV eess.IV
Attention Mechanism Enhanced Kernel Prediction Networks for Denoising of Burst Images
Southeast University（东南大学）；Jiangsu Industrial Technology Research Institute（江苏集萃工业技术研究院）
基于深度学习的图像去噪方法已经被广泛研究。本文提出了一种基于注意力机制的增强核预测网络（AME-KPN）的突发图像去噪方法，该方法采用几乎无代价的注意力模块，首先对特征图进行细化，进而充分利用突发图像的帧间和帧内冗余。AME-KPN输出逐像素的空间自适应核、残差图和相应的权值图，其中，预测核通过自适应卷积运算粗略恢复对应位置的干净像素，随后，残差被加权求和以补偿预测核有限的感受野.仿真和实际实验结果表明，所提出的AME-KPN在突发图像去噪中具有较好的鲁棒性。
2020-01-29 cs.CV eess.IV
Considering Image Information and Self-similarity: A Compositional Denoising Network
Communication University of China（中国传媒大学）；University of Electronic Science and Technology of China（电子科技大学）
近年来，卷积神经网络（CNN）在图像去噪中得到了广泛的应用。现有的方法受益于剩余学习，并取得了很高的性能。很多研究都把注意力放在了优化CNN的网络结构上，而忽略了剩余学习的局限性。本文指出了它的两个局限性：一是残差学习侧重于噪声估计，忽略了图像信息;二是没有有效地考虑图像的自相似性。本文提出了一种组合去噪网络（CDN），其图像信息路径（IIP）和噪声估计路径（NEP）将分别解决这两个问题。IIP通过图像到图像的方式来训练以提取图像信息。对于NEP，它从训练的角度利用图像的自相似性。这种基于相似性的训练方法约束NEP输出具有特定类型噪声的不同图像块的相似估计噪声分布。最后综合考虑图像信息和噪声分布信息进行图像去噪。实验表明，CDN在合成和真实世界图像去噪方面取得了最先进的结果。我们的代码将在https://github.com/JiaHongZ/CDN上发布。
2022-09-14 cs.CV eess.IV
R3L: Connecting Deep Reinforcement Learning to Recurrent Neural Networks for Image Denoising via Residual Recovery
Nanyang Technological University（南洋理工大学）；Delft University of Technology（代尔夫特理工大学）
最先进的图像去噪器通过确定性训练利用各种类型的深度神经网络。另外，最近的工作利用深度强化学习来恢复具有不同或未知损坏的图像。虽然深度强化学习可以生成有效的策略网络，用于图像恢复中的操作员选择或架构搜索，但它如何与解决逆问题的经典确定性训练联系起来仍不清楚。在这项工作中，我们提出了一种新的图像去噪方案，通过残差恢复使用强化学习，被称为R3L。我们证明了R3L相当于一个使用随机奖励训练的深度递归神经网络，与许多使用具有确定性损失的监督学习的流行去噪器相反。为了对R3L中强化学习的有效性进行基准测试，我们使用确定性损失训练训练具有相同结构的递归神经网络进行残差恢复，从而分析两种不同的训练策略如何影响去噪性能。通过这样一个统一的基准测试系统，我们证明了所提出的R3L在估计的噪声水平变化时在图像去噪中具有更好的泛化性和鲁棒性，与使用确定性训练的同行以及各种最先进的图像去噪算法相比。
2021-07-12 cs.CV eess.IV
Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images
Renmin University of China（中国人民大学）；Dalian University of Technology（大连理工大学）
近几年来，神经网络的快速发展使图像去噪得到了很大的发展。然而，需要大量的噪声干净的图像对监督限制了这些模型的广泛使用。虽然已经有一些尝试在训练图像去噪模型，只有单一的噪声图像，现有的自监督去噪方法遭受低效的网络训练，有用的信息丢失，或依赖于噪声建模。在本文中，我们提出了一个非常简单而有效的方法命名为Neighbor2Neighbor训练一个有效的图像去噪模型，只有噪声图像。首先，提出了一种随机邻域子采样器来产生训练图像对。详细地，用于训练网络的输入和目标是从同一噪声图像中子采样的图像，满足成对图像的成对像素是邻居并且彼此具有非常相似的外观的要求。其次，在第一阶段生成的子采样训练对上训练去噪网络，并使用建议的正则化器作为额外的损失以获得更好的性能。所提出的Neighbor2Neighbor框架能够在网络架构设计中享受最先进的监督去噪网络的进步。此外，它避免了对噪声分布假设的严重依赖。我们从理论的角度解释了我们的方法，并通过大量的实验进一步验证了它，包括在sRGB空间中具有不同噪声分布的合成实验和在原始RGB空间中的去噪基准数据集上的真实实验。
2021-03-31 cs.CV eess.IV
First image then video: A two-stage network for spatiotemporal video denoising
ZSky Technologies Inc（ZSky科技公司）；NanKai University（南开大学）；Chinese Academy of Sciences(CAS)（中国科学院）；Peng Cheng Laboratory(PCL)（鹏城实验室）
视频去噪是从噪声污染的数据中去除噪声，从而通过时空处理恢复真实信号。用于时空视频去噪的现有方法往往遭受运动模糊伪影，即，移动对象的边界往往显得模糊，尤其是当对象经历快速运动时，导致光流计算中断。在本文中，我们通过设计一个先图像后视频的两阶段去噪神经网络来解决这一挑战，该网络由一个图像去噪模块组成，用于在空间上减少帧内噪声，然后是一个常规的时空视频去噪模块。直觉是简单而强大和有效的：图像去噪的第一阶段有效地降低了噪声水平，因此，允许时空去噪的第二阶段更好地建模和学习无处不在，包括沿着移动对象边界。这种两阶段网络在以端到端的方式进行训练时，在去噪质量和计算方面都能在视频去噪基准Vimeo90K数据集上获得最先进的性能。它还实现了一种无监督方法，该方法可以实现与现有监督方法相当的性能。
2020-01-22 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
Rectifier Neural Network with a Dual-Pathway Architecture for Image Denoising
Shanghai Jiao Tong University（上海交通大学）
最近，基于tanh激活函数的深度神经网络在图像去噪方面显示出令人印象深刻的能力。在这封信中，我们尝试使用整流器函数代替tanh，并提出了一个双通道整流器神经网络，通过合并两个整流器神经元的反向输入和输出的权重在同一个隐藏层。我们驱动等效激活函数，并将其与相同网络架构下的图像去噪的一些典型激活函数进行比较。实验结果表明，我们的模型实现优越的性能更快，特别是当噪声很小。
2020-12-09 cs.CV
Fast and Flexible Image Blind Denoising via Competition of Experts
Navier Inc.（纳维尔公司）
快速和灵活的处理是图像去噪的许多实际应用的两个基本要求。然而，目前最先进的方法仍然需要高计算成本或有限的目标范围。我们引入了一个高效的集成网络训练通过竞争的专家网络，作为图像盲去噪的应用。我们实现了自动划分的未标记的噪声数据集到集群分别优化，以提高去噪性能。该架构是可扩展的，可以扩展到处理不同的噪声源/水平，而不增加计算时间。利用这种方法，我们节省了约90%的计算成本，而不牺牲去噪性能相比，具有相同的架构的单一网络模型。我们还比较了所提出的方法与现有的几种算法，并观察到显着优于现有技术的计算效率。
2019-11-20 cs.CV 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
Image denoising by Super Neurons: Why go deep?
Tampere University（坦佩雷大学）；Qatar University（卡塔尔大学）
经典的图像去噪方法利用非局部自相似原理有效地从噪声图像中恢复图像内容。当前最先进的方法使用深度卷积神经网络（CNN）来有效地学习从噪声图像到干净图像的映射。深度去噪CNN表现出很高的学习能力，并整合了非局部信息，这是由于大量级联的隐藏层产生了很大的感受野。然而，深度网络在计算上也很复杂，需要大量数据进行训练。为了解决这些问题，本研究的重点是自组织操作神经网络（Self-ONNs）授权的一种新的神经元模型，可以实现类似或更好的去噪性能与紧凑和浅的模型。最近，已经引入了超神经元的概念，其通过利用用于增强的感受野大小的非局部化核位置来增强生成神经元的非线性变换。这是需要深度网络配置的关键成就。由于非局部信息的整合有助于去噪，因此在这项工作中，我们研究了使用超级神经元进行合成和真实图像去噪。我们还讨论了在GPU上实现超神经元模型的实际问题，并提出了非本地化操作的异构性和计算复杂性之间的权衡。我们的研究结果表明，在相同的宽度和深度下，具有超级神经元的Self-ONNs在两个去噪任务中都比具有生成和卷积神经元的网络提供了显着的去噪性能提升。此外，结果表明，具有超级神经元的Self-ONNs可以分别在合成和真实世界去噪方面实现比众所周知的深度CNN去噪器具有竞争力和优越的合成去噪性能。
2021-11-29 cs.CV cs.LG
FPD-M-net: Fingerprint Image Denoising and Inpainting Using M-Net Based Convolutional Neural Networks
Center for Visual Information Technology (CVIT), IIIT-Hyderabad（海得拉巴国际信息技术研究所视觉信息技术中心）
指纹是一种常见的生物特征，用于个人的认证和验证。当手指潮湿、肮脏、干燥或受伤时，以及由于传感器故障等原因，这些图像会退化。从退化图像中提取指纹需要去噪和修复。我们建议通过将指纹去噪和修复问题作为分割（前景）任务，使用端到端可训练的基于卷积神经网络的架构（称为FPD-M-net）来解决这些问题。我们的架构是基于M-网的变化：结构相似性损失函数，用于更好地提取指纹的噪声背景。我们的方法优于基线方法，并在2018年ECCV Chalearn Fingerprint Inpainting Competition Track 3 - Fingerprint Denoising and Inpainting中获得了整体第三名
2019-03-22 cs.CV
Low-Dose CT Image Denoising Using Parallel-Clone Networks
University of California Davis Medical Center（加州大学戴维斯分校医学中心）
深度神经网络在改善低剂量计算机断层扫描（LDCT）中的图像去噪方面具有巨大潜力。增加网络容量的常用方法包括添加更多层或按顺序重复模块化克隆模型。在这种顺序架构中，有噪声的输入图像和最终输出图像通常在训练模型中仅使用一次，然而这限制了整体学习性能。在本文中，我们提出了一种并行克隆神经网络的方法，利用模块化的网络模型，并利用并行输入，并行输出损失，克隆到克隆功能转移的好处。与传统模型相比，该模型保持了相似或更少数量的未知网络权重，但可以显着加快学习过程。该方法使用Mayo LDCT数据集进行了评估，并与现有的深度学习模型进行了比较。结果表明，使用并行输入、并行输出损失和克隆到克隆特征转移都有助于加速深度学习的收敛，并提高测试中的图像质量。并行克隆网络在LDCT图像去噪中的应用前景良好。
2020-05-14 cs.CV eess.IV
Image Denoising and Super-Resolution using Residual Learning of Deep Convolutional Network
Indian Institute of Science（印度科学学院）
图像超分辨率和去噪是图像处理中的两个重要任务，可以导致图像质量的改善。图像超分辨率是将低分辨率图像映射到高分辨率图像的任务，而去噪是从噪声输入中学习干净图像的任务。我们提出并训练一个深度学习网络，我们称之为SuRDCNN（超分辨率和去噪卷积神经网络），以同时执行这两项任务。我们的模型几乎复制了现有最先进的深度学习模型的架构，用于超分辨率和去噪。我们使用经过验证的剩余学习策略，并得到该领域最先进网络的支持。我们训练的SuRDCNN能够在存在高斯噪声，泊松噪声或这两种噪声的任何随机组合的情况下超分辨率图像。
2018-09-21 cs.CV
SSCAN: A Spatial-spectral Cross Attention Network for Hyperspectral Image Denoising
Wuhan University（武汉大学）；University of Arkansas（阿肯色大学）；Wuhan Institute of Technology（武汉工程大学）
高光谱图像（HSI）由于能够提供丰富的光谱信息而被广泛应用于各种应用中。在所有的HSI处理任务中，HSI去噪是关键的一步。最近，基于深度学习的图像去噪方法取得了很大进展，并取得了很好的性能。然而，现有的方法往往忽略相邻光谱带之间的相关性，导致去噪结果中的光谱失真和边缘模糊等问题。在这项研究中，我们提出了一种新的HSI去噪网络，称为SSCAN，它结合了组卷积和注意力模块。具体来说，我们使用一个空间注意力模块的组卷积，通过将模型的注意力引导到波段重要特征来促进特征提取。我们提出了一个光谱空间注意块（SSAB），以有效的方式利用高光谱图像中的空间和光谱信息。此外，我们采用了带有跳过连接的剩余学习操作，以确保训练的稳定性。实验结果表明，所提出的SSCAN优于几个国家的最先进的HSI去噪算法。
2021-05-23 cs.CV eess.IV
Image Denoising with Graph-Convolutional Neural Networks
Politecnico di Torino（都灵理工大学）
从噪声观测中恢复图像是信号处理中的一个关键问题。最近，研究表明，采用卷积神经网络的数据驱动方法可以优于经典的基于模型的技术，因为它们可以捕获更强大和更有区别的特征。然而，由于这些方法基于卷积运算，它们只能利用局部相似性，而不考虑非局部自相似性。在本文中，我们提出了一种卷积神经网络，它采用图形卷积层，以利用局部和非局部相似性。图卷积层在特征空间中动态构建邻域，以检测隐藏层产生的特征图中的潜在相关性。实验结果表明，该架构优于经典的卷积神经网络的去噪任务。
2019-05-29 cs.CV eess.IV
Hybrid Convolutional and Attention Network for Hyperspectral Image Denoising
School of Computer Science and Technology, Ocean University of China（中国海洋大学计算机科学与技术学院）；Department of Electrical and Computer Engineering, Mississippi State University（密西西比州立大学电气与计算机工程系）
提出混合卷积与注意力网络HCANet，结合CNN和Transformer优势，通过融合模块和多尺度前馈网络同时建模全局与局部特征，有效去除高光谱图像中的复杂噪声。
2024-03-15 cs.CV eess.IV
Deep Gaussian Conditional Random Field Network: A Model-based Deep Network for Discriminative Denoising
University of Maryland, College Park（马里兰大学帕克分校）；Mitsubishi Electric Research Lab.（三菱电机研究实验室）
我们提出了一种新的基于高斯条件随机场（GCRF）模型的图像去噪深度网络架构。与现有的针对每个噪声水平训练单独模型的判别去噪方法相比，所提出的深度网络显式地对输入噪声方差进行建模，因此能够处理一系列噪声水平。我们的深度网络，我们称之为深度GCRF网络，由两个子网络组成：（i）参数生成网络，它基于有噪声的输入图像生成成对的潜在参数，以及（ii）推理网络，其层执行迭代GCRF推理过程中涉及的计算。我们通过最大化峰值信噪比测量，以端到端的方式有区别地训练整个深度GCRF网络（参数生成和推理网络）。在Berkeley分割和PASCALVOC数据集上的实验表明，所提出的深度GCRF网络在几个噪声水平下的性能优于最先进的图像去噪方法。
2015-11-12 cs.CV
SNIDER: Single Noisy Image Denoising and Rectification for Improving License Plate Recognition
Gwangju Institute of Science and Technology (GIST)（光州科学技术院）
在本文中，我们提出了一种算法，用于现实世界的车牌识别（LPR）从一个低质量的图像。我们的方法是建立在一个框架，包括去噪和整流，每个任务是由卷积神经网络进行。在以前的研究中，现有的去噪和校正被单独视为一个网络。与以前的工作相比，我们在这里提出了一个用于图像恢复的端到端可训练网络，即单噪声图像去噪和校正（SNIDER），它专注于共同解决这两个问题。它通过设计一种新的网络来解决去噪和校正问题，从而克服了这些障碍。此外，我们提出了一种利用辅助任务进行优化的方法，用于多任务拟合和新的训练损失。在两个具有挑战性的LPR数据集上进行的大量实验证明了该方法在从低质量图像中恢复高质量车牌图像方面的有效性，并表明该方法优于其他最先进的方法。
2019-10-09 cs.CV cs.LG
LAN: Learning to Adapt Noise for Image Denoising
Hanyang University（汉阳大学）
提出LAN算法，通过向输入噪声添加可学习偏移来适应噪声分布，保持预训练网络冻结，提升对未见噪声图像的去噪性能。
2024-12-14 cs.AI cs.CV
ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising
Harbin Institute of Technology（哈尔滨工业大学）
高光谱图像去噪对于高光谱图像的分类、解译等后续应用具有重要意义。在本文中，我们提出了一种基于注意力的深度残差网络，可以直接学习从噪声HSI到干净HSI的映射。为了联合利用空间-频谱信息，当前频带及其$K$相邻频带被同时利用作为输入。然后，我们采用不同滤波器大小的卷积层来融合多尺度特征，并使用快捷连接来合并多层次信息以更好地去除噪声。此外，采用通道注意机制，使网络集中在最相关的辅助信息和最有利于去噪过程的特征。为了简化训练过程，我们通过残差模式而不是直接预测来重建输出。实验结果表明，我们提出的ADRN计划优于国家的最先进的方法在定量和视觉评价。
2020-03-04 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
Image Denoising with Control over Deep Network Hallucination
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）
深度图像去噪器实现了最先进的结果，但有隐藏的成本。正如最近的文献所证明的那样，这些深度网络能够过度拟合其训练分布，导致输出中添加不准确的幻觉，并且对不同数据的泛化能力很差。为了更好地控制和解释深度去噪器，我们提出了一个利用去噪网络的新框架。我们称之为可控的基于置信度的图像去噪（CCID）。在这个框架中，我们利用深度去噪网络的输出以及与可靠滤波器卷积的图像。这样的滤波器可以是简单的卷积核，其不冒添加幻觉信息的风险。我们建议使用频域方法融合这两个组件，该方法考虑了深度网络输出的可靠性。通过我们的框架，用户可以控制频域中两个分量的融合。我们还提供了一个用户友好的地图空间估计的信心，可能包含网络幻觉的输出。结果表明，我们的CCID不仅提供了更多的可解释性和控制，但甚至可以超越深度去噪器和可靠滤波器的定量性能，特别是当测试数据偏离训练数据。
2022-01-02 cs.CV eess.IV
Real Image Denoising with Feature Attention
Data61, CSIRO（澳大利亚联邦科学与工业研究组织Data61）；The Australian National University（澳大利亚国立大学）
深度卷积神经网络在包含空间不变噪声（合成噪声）的图像上表现更好;然而，它们的性能在真实噪声照片上受到限制，并且需要多级网络建模。为了提高去噪算法的实用性，本文提出了一种新的单级盲真实图像去噪网络（RIDNet），采用模块化结构。我们在残差结构上使用残差来缓解低频信息的流动，并应用特征注意力来利用通道依赖性。此外，在三个合成和四个真实的噪声数据集对19个国家的最先进的算法的定量指标和视觉质量方面的评价证明了我们的RIDNet的优越性。
2020-03-23 cs.CV cs.LG
SS-BSN: Attentive Blind-Spot Network for Self-Supervised Denoising with Nonlocal Self-Similarity
University of Seoul（首尔大学）；Vieworks（Vieworks公司）
本文提出轻量级自相似性注意力模块（SS-Attention）以捕获非局部自相似性，并将其集成至盲点网络构建SS-BSN，在SIDD和DND基准上实现了更优的自监督图像去噪性能。
2023-05-17 cs.CV cs.LG
Multi-scale Adaptive Fusion Network for Hyperspectral Image Denoising
Ocean University of China（中国海洋大学）；Mississippi State University（密西西比州立大学）
针对高光谱图像去噪中多尺度特征交互不足和光谱结构保持难题，提出 MAFNet，通过渐进式多尺度聚合与协同注意力融合实现优于现有方法的去噪效果。
2023-04-19 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
Hyperspectral Image Denoising via Self-Modulating Convolutional Neural Networks
Hacettepe University（哈塞特佩大学）；Koç University（科奇大学）；National Institute of Advanced Industrial Science and Technology（日本产业技术综合研究所）
本文提出了一种自调制卷积神经网络SM-CNN，通过引入光谱自调制残差块（SSMRB）利用相邻光谱信息自适应转换特征，从而有效处理复杂噪声，在公共基准数据集上定量和定性结果均优于现有最先进方法。
2023-09-15 cs.CV eess.IV
