Deep Learning Hyperspectral Image Classification Using Multiple Class-based Denoising Autoencoders, Mixed Pixel Training Augmentation, and Morphological Operations
Mississippi State University（密西西比州立大学）
在这里，我们提出了一个系统的高光谱图像分割，利用多个类-基于去噪自动编码器，有效地训练。此外，我们提出了一种新的高光谱数据增强方法标记HSI数据使用线性混合像素从每个类，这有助于系统的边缘像素几乎总是混合像素。最后，我们利用深度神经网络和形态学孔洞填充来提供鲁棒的图像分类。在Salinas数据集上的运行结果验证了该算法的高性能。
2018-07-11 cs.CV cs.LG stat.ML
Pixel-wise Guidance for Utilizing Auxiliary Features in Monte Carlo Denoising
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST））；University of Stuttgart（斯图加特大学）
本文提出一种显式逐像素引导的蒙特卡洛去噪框架，分别训练基于G-buffers和P-buffers的去噪器，并通过集成网络学习逐像素权重图，联合训练以提升去噪性能。
2023-04-11 cs.CV cs.GR
James-Stein Type Center Pixel Weights for Non-Local Means Image Denoising
Tufts University（塔夫茨大学）
非局部均值（NLM）及其变体在许多图像去噪任务中已被证明是有效和鲁棒的。本文研究了NLM中中心像素权重的参数选择问题。我们的主要贡献包括：1）我们从统计收缩的角度给出了一种新的CPW问题的公式; 2）我们为NLM引入了James-Stein型CPW; 3）我们提出了一种新的自适应CPW，该CPW针对每个图像像素进行局部调整。我们的实验结果表明，与现有的CPW解决方案相比，新提出的CPWs在各种噪声水平下更鲁棒和有效。特别是，NLM与James-Stein型CPW达到更高的平均值与较小的方差的峰值信号和噪声比，这意味着他们提高了NLM的鲁棒性，使其对参数选择不太敏感。
2012-11-07 cs.CV
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
NODE: Extreme Low Light Raw Image Denoising using a Noise Decomposition Network
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
由于极低光图像的高噪声水平，去噪是一项具有挑战性的任务。当照度较低时，数码相机会增加ISO（电子增益）以放大捕获数据的亮度。然而，这反过来又放大了由读取、拍摄和缺陷像素源引起的噪声。在原始域中，读取和散粒噪声分别使用高斯和泊松分布有效地建模，而缺陷像素可以用脉冲噪声建模。在极弱光成像中，噪声去除成为产生具有低噪声的高质量、详细图像的关键挑战。在本文中，我们提出了一种称为噪声分解（NODE）的多任务深度神经网络，它可以显式地单独估计缺陷像素噪声，结合高斯和泊松噪声，对极低光图像进行降噪。我们的网络专门设计用于处理原始数据，在图像信号处理（ISP）管道中进行非线性变换之前，更容易对噪声进行建模。定量和定性的评价表明，该方法是更有效地去噪真实的原始图像比国家的最先进的技术。
2019-09-11 cs.CV eess.IV
Heterogeneous window transformer for image denoising
Northwestern Polytechnical University（西北工业大学）；National Tsing Hua University（国立清华大学）；Xidian University（西安电子科技大学）；Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））；Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳市人工智能与机器人研究院）
针对现有深度去噪网络易忽略像素相关性的问题，提出异构窗口Transformer HWformer，通过异构全局窗口、窗口偏移和稀疏前馈网络兼顾去噪效果与效率，耗时仅为Restormer的30%。
2024-07-14 cs.CV eess.IV
Rule of Three for Superresolution of Still Images with Applications to Compression and Denoising
DLQS LLC（DLQS有限责任公司）
我们描述了一种新的方法，用于超分辨率的静止图像（在小波域）的基础上重建丢失的细节子带像素在给定的第i级通过规则（Ro3）之间的近似子带的像素的这种水平，和像素的近似和细节子带的（i+1）级。直方图的配置文件表明，Ro3是适当的机制，以恢复丢失的细节子带像素在这些情况下。此外，通过消除细节子带像素（在最终的压缩方案中），我们获得了更大的压缩率。实验结果表明，我们的方法相比，更典型的方法在小波域的去噪和压缩。我们的方法不压缩，但有利于真正的压缩机的行动，在我们的情况下，联合图像专家组（JPEG）和JPEg2000，即Ro3作为催化剂压缩
2014-05-04 cs.CV
Beyond Joint Demosaicking and Denoising: An Image Processing Pipeline for a Pixel-bin Image Sensor
Rigel-IT Bangladesh（Rigel-IT 孟加拉国）；Sejong University（世宗大学）
像素合并被认为是解决智能手机摄像头硬件限制的最突出的解决方案之一。尽管有许多优点，这种图像传感器必须采用伪影倾向的非拜耳滤色器阵列（CFA）来实现分箱能力。首先，执行基本的图像信号处理（ISP）任务，如去马赛克和去噪，明确地使用这种CFA模式，使得重建过程非常复杂。在本文中，我们通过引入一种新的基于学习的方法来解决这样的图像传感器上的联合去马赛克和去噪（JDD）的挑战。所提出的方法利用了深度网络中的深度和空间注意力。该网络由一个多项目标函数指导，包括两个新的感知损失，以产生视觉上合理的图像。最重要的是，我们延伸了所提出的图像处理流水线，以全面重建和增强用智能手机相机捕获的图像，该相机使用像素合并技术。实验结果表明，该方法可以明显优于现有的方法在定性和定量的比较。可用代码：https://github.com/sharif-apu/BJDD_CVPR21。
2021-04-19 cs.CV
Hyperspectral Image Denoising and Anomaly Detection Based on Low-rank and Sparse Representations
Hong Kong Baptist University（香港浸会大学）；Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院）；University of Chinese Academy of Sciences（中国科学院大学）；Shenzhen University（深圳大学）；Instituto de Telecomunicações（电信研究院）；Instituto Superior Técnico（里斯本高等技术学院）；Universidade de Lisboa（里斯本大学）
高光谱成像以非常高的分辨率在数百或数千个光谱通道中测量瞬时视场中的电磁能量的量。这使得物体能够被检测到并识别它们之间具有细微差异的材料。然而，光谱分辨率的提高通常意味着每个通道中接收到的光子数量减少，这意味着与成像过程相关的噪声更大。这种退化限制了提取信息的质量及其潜在应用。因此，去噪是高光谱图像处理中的一个基本问题。作为具有高度相关的光谱通道的自然场景的图像，HSI的特征在于高水平的自相似性，并且可以通过低秩表示来很好地近似。这些特征是HSI去噪中使用的最先进方法的基础。然而，在很少出现像素类型的情况下，这些方法的去噪性能不是最佳的，并且这些像素的后续检测可能会受到损害。为了解决这些障碍，在本文中，我们介绍了RhyDe（鲁棒高光谱降噪），一个强大的HSI降噪器，它实现了显式的低秩表示，促进自相似性，并通过使用一种形式的协作稀疏性，保留罕见的像素。使用半真实和真实数据说明了所提出的鲁棒HSI去噪器的去噪和检测有效性。
2021-03-12 cs.CV eess.IV
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
Weighted Anisotropic-Isotropic Total Variation for Poisson Denoising
University of California, Irvine（加州大学欧文分校）；University of Texas, Dallas（德克萨斯大学达拉斯分校）；Whittier College（惠蒂尔学院）
针对泊松噪声因像素强度而异导致去噪困难的问题，提出引入加权各向异性-各向同性全变分正则化的泊松去噪模型，并采用结合近端算子的交替方向乘子法求解，实验证明其在图像质量和计算效率上均优于其他方法。
2023-07-01 cs.CV cs.NA eess.IV
Wide Inference Network for Image Denoising via Learning Pixel-distribution Prior
University of Florida（佛罗里达大学）
我们探索了一种创新的图像去噪策略，通过使用卷积神经网络（CNN）从嘈杂的图像中学习类似的像素分布特征。许多类型的图像噪声都遵循一定的像素分布，例如加性高斯白噪声（AWGN）。通过增加CNN的宽度，在每层中增加更大的接收场和更多的通道，CNN可以揭示提取更准确的像素分布特征的能力。我们方法的关键是发现具有更多卷积的更宽CNN倾向于学习类似的像素分布特征，这揭示了一种有效解决低级视觉问题的新策略，即推理映射主要依赖于噪声属性背后的先验，而不是具有更多堆叠非线性层的更深CNN。我们在AWGN上评估了我们的工作，宽推理网络（WIN），并证明通过从图像中学习像素分布特征，基于WIN的网络在定量和视觉评估方面始终比当前最先进的基于深度CNN的方法具有更好的性能。\textit{Code and models are available at \url{https://github.com/cswin/WIN}}。
2018-06-03 cs.CV
Fast and High-Quality Image Denoising via Malleable Convolutions
University of Texas at Austin（德克萨斯大学奥斯汀分校）；Google Research（谷歌研究院）
大多数图像去噪网络在整个输入图像中应用一组静态卷积核。这对于自然图像来说是次优的，因为它们通常由异构的视觉模式组成。动态卷积试图通过使用每像素卷积内核来解决这个问题，但这大大增加了计算成本。在这项工作中，我们提出了可延展卷积（MalleConv），它以最小的计算开销执行空间变化处理。MalleConv使用一组较小的空间变化卷积核，这是静态卷积核和逐像素卷积核之间的折衷。这些空间变化的内核由运行在下采样输入上的高效预测器网络产生，使得它们比由全分辨率图像产生的每像素内核更有效地计算，并且与静态内核相比也扩大了网络的感受野。然后，这些内核被联合上采样，并通过具有最小内存开销的高效动态切片运算符应用于全分辨率特征图。为了证明MalleConv的有效性，我们使用它来构建一个高效的去噪网络，我们称之为MalleNet。MalleNet无需非常深入的架构即可实现高质量的结果，使其比性能最佳的去噪算法快8.9倍，同时实现类似的视觉质量。我们还表明，将单个MalleConv层添加到标准的基于卷积的主干中可以显着降低计算成本或以类似的成本提高图像质量。更多信息请访问我们的项目页面：\url{https://yifanjiang.net/MalleConv.html}
2022-08-09 cs.CV eess.IV
AP-BSN: Self-Supervised Denoising for Real-World Images via Asymmetric PD and Blind-Spot Network
Seoul National University（首尔国立大学）
盲点网络（BSN）及其变体在自监督去噪方面取得了重大进展。然而，由于不太实际的假设，如像素独立噪声，它们仍然受到合成噪声输入的约束。因此，使用自监督BSN来处理空间相关的真实世界噪声是具有挑战性的。最近，像素重排下采样（PD）已被提出来消除真实世界噪声的空间相关性。然而，直接集成PD和BSN并不简单，这会阻碍真实世界图像上的完全自监督去噪模型。我们提出了一个非对称PD（AP）来解决这个问题，它引入了不同的PD步幅因子用于训练和推理。我们系统地表明，所提出的AP可以解决固有的权衡所造成的特定PD步幅因素，使BSN适用于实际场景。为此，我们开发了AP-BSN，这是一种用于现实世界sRGB图像的最先进的自监督去噪方法。我们进一步提出了随机替换细化，这显着提高了我们的AP-BSN的性能，而无需任何额外的参数。广泛的研究表明，我们的方法优于其他自监督，甚至不成对的去噪方法的大幅度，而不使用任何额外的知识，例如，噪音水平，关于潜在的未知噪音。
2022-03-24 cs.CV eess.IV
Asynchronous Denoising Diffusion Models for Aligning Text-to-Image Generation
Zhejiang University（浙江大学）；Nanyang Technological University（南洋理工大学）
本文提出异步扩散模型，通过为不同像素分配不同时间步以改进文本到图像生成的对齐效果。
2026-02-26 cs.CV
AdvFilter: Predictive Perturbation-aware Filtering against Adversarial Attack via Multi-domain Learning
East China Normal University（华东师范大学）；Nanyang Technological University（南洋理工大学）；Alibaba Group（阿里巴巴集团）；University of Alberta（阿尔伯塔大学）；Zhejiang Sci-Tech University（浙江理工大学）
高级表示引导像素去噪和对抗训练是独立的解决方案，分别通过预处理输入数据和重新训练模型来增强CNN对对抗攻击的鲁棒性。最近，对抗训练技术得到了广泛的研究和改进，而基于像素去噪的方法越来越不受欢迎。然而，是否存在更先进的基于像素去噪的方法以及这两种解决方案的组合是否相互受益仍然是值得怀疑的。为此，我们首先全面研究了两种用于对抗鲁棒性增强的像素去噪方法（即，现有的基于加法的和未开发的基于滤波的方法）分别在图像级和语义级的损失函数下的比较，表明逐像素滤波可以获得高得多的图像质量（例如，更高的PSNR）以及更高的鲁棒性（例如，在对抗性示例上的更高准确度）比现有的逐像素基于加法的方法。然而，我们也观察到，基于过滤的方法的鲁棒性结果依赖于用于训练的对抗性示例的扰动幅度。为了解决这个问题，我们提出了预测扰动感知和逐像素滤波，其中设计了双扰动滤波和不确定性感知融合模块，并用于在训练和测试过程中自动感知扰动幅度。该方法被称为AdvFilter。此外，我们将对抗性像素去噪方法与三种基于对抗性训练的方法相结合，暗示联合考虑数据和模型能够实现更强大的CNN。在NeurIPS-2017 DEV、SVHN和CIFAR 10数据集上进行的实验显示了增强CNN鲁棒性、对不同模型和噪声水平的高度泛化的优势。
2021-10-18 cs.CV cs.LG eess.IV
TM-BSN: Triangular-Masked Blind-Spot Network for Real-World Self-Supervised Image Denoising
Department of ECE, INMC, Seoul National University（首尔大学电气与计算机工程系、INMC）；IPAI, Seoul National University（首尔大学IPAI）
本文提出TM-BSN网络，通过三角掩码建模真实sRGB噪声的空间相关性，无需下采样即可实现高效自监督图像去噪，实验表明其性能优于现有方法。
2026-04-06 cs.CV eess.IV
Learning Deep Image Priors for Blind Image Denoising
Shenzhen University（深圳大学）；The University of Nottingham Ningbo China（宁波诺丁汉大学）；The University of Nottingham（诺丁汉大学）
图像去噪是从含噪图像中去除噪声的过程，是一个图像域转移任务，即，从单个或几个噪声水平域到照片般逼真的域。本文从域对齐的角度出发，通过学习两个图像先验，提出了一种有效的图像去噪方法。我们在两个层面上处理域对齐。1)特征级先验用于学习具有不同噪声水平的受损图像的域不变特征; 2）像素级先验用于将去噪图像推到自然图像流形。这两种图像先验是基于$\mathcal{H}$ -发散理论，通过对抗训练方式学习分类器实现的。我们在多个数据集上评估我们的方法。结果表明，我们的方法的有效性强大的图像去噪合成和现实世界的噪声图像。此外，我们表明，特征级先验是能够减轻不同级别的噪声之间的差异。它可以用来改善盲去噪性能的失真措施（PSNR和SSIM），而像素级先验可以有效地提高感知质量，以确保真实的输出，这是进一步验证了主观评价。
2019-06-04 cs.CV eess.IV
Transforming Pixels into a Masterpiece: AI-Powered Art Restoration using a Novel Distributed Denoising CNN (DDCNN)
Indian Institute of Science (IISc)（印度科学学院）
针对传统艺术修复方法的局限，研究构建劣化艺术图像数据集，训练新型分布式去噪CNN（DDCNN）实现多类型多程度畸变去除与细节保留，经实验验证效果优于传统方法与其他去噪CNN，为文化遗产保护与艺术修复发展提供新方案。
2023-10-08 cs.AI cs.CV eess.IV
Efficient Blind-Spot Neural Network Architecture for Image Denoising
CSEM（瑞士电子与微技术中心）
图像去噪是计算摄影中的重要工具。标准的去噪技术以深度神经网络为核心，需要成对的干净和嘈杂的图像进行训练。如果我们没有干净的样本，我们可以使用盲点神经网络架构，它只基于相邻像素来估计像素值。因此，这些网络允许直接在有噪声的图像上进行训练，因为它们通过设计避免了琐碎的解决方案。现在，盲点主要是使用移位卷积或串行化来实现的。我们提出了一种新的全卷积网络架构，该架构使用膨胀来实现盲点属性。我们的网络提高了先前工作的性能，并在已建立的数据集上实现了最先进的结果。
2020-08-25 cs.CV cs.LG eess.IV
Self-supervised Image Denoising with Downsampled Invariance Loss and Conditional Blind-Spot Network
Seoul National University（首尔国立大学）；Gauss Labs Inc.（高斯实验室公司）
提出一种结合下采样不变性损失与条件盲点网络（C-BSN）的自监督图像去噪框架，通过控制网络盲目性并利用随机子采样器去除空间噪声相关性，在真实数据集上达到最先进性能。
2023-07-28 cs.CV eess.IV
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
Low-Dose CT Denoising Using a Structure-Preserving Kernel Prediction Network
SenseTime（商汤科技）
低剂量CT已成为一种关键的诊断成像方式，以减少辐射过量对患者健康的潜在风险。尽管最近取得了一些进展，但基于CNN的方法通常以空间不变的方式应用滤波器，并采用类似的像素级损失，这会同等对待CT图像的所有区域，并且当细粒度结构与非均匀分布的噪声共存时，效率可能会很低。为了解决这个问题，我们提出了一种结构保持核预测网络（StructKPN），它将核预测网络与结构感知损失函数相结合，该函数利用像素梯度统计数据并将模型引导到空间变化滤波器，以增强噪声去除，防止过度平滑并保留CT成像中不同区域的详细结构。大量的实验表明，我们的方法在合成和非合成数据集上都取得了优异的性能，并且更好地保留了临床筛选和低剂量方案优化中高度期望的结构。
2021-07-24 cs.CV eess.IV
The Devil is in the Dark Pixels: Toward Brightness Bias-Robust Denoising
The Hong Kong University of Science and Technology（香港科技大学）
研究图像去噪中暗区域信噪比低、MSE训练去噪器加剧偏差的问题，提出亮度偏差鲁棒去噪（BBRD）方法，将像素分亮度带，归一化误差并应用Group-DRO，实验证明该方法能同时改善各亮度带，在暗区域增益最大。
2026-07-21 cs.CV
Image Denoising Using Interquartile Range Filter with Local Averaging
Irbid National University（伊尔比德国立大学）
图像去噪是图像处理的基本问题之一。在本文中，一种新的方法来抑制噪声从图像进行应用的四分位数范围（IQR），这是一种统计方法，用于检测数据集的离群效应。实现大小为kXk的窗口以支持IQR滤波器。在kXk窗口的IQR范围之外的每个像素被视为噪声像素。噪声像素的估计通过局部平均获得。应用IQR滤波器的本质优点是更好地保持原始图像的边缘锐度。用多种测试图像支持本文提出的滤波器，并计算了PSNR，与中值滤波进行了比较。在标准测试图像上的实验结果表明，该滤波器比中值滤波器更简单，性能更好。
2013-02-05 cs.CV
Pruned non-local means
Indian Institute of Science（印度科学院）
在非局部均值（NLM）中，每个像素通过对其相邻像素执行加权平均来进行降噪，其中使用图像块计算权重。我们证明了NLM的去噪性能可以通过修剪相邻像素来提高，即通过拒绝权重低于一定阈值$λ$的相邻像素。虽然修剪可以潜在地减少均匀强度区域中的像素平均值，但我们证明了去噪性能总体上有所改善。特别地，改进来自于位于靠近边缘和角落的像素。所提出的方法的成功很大程度上取决于全局阈值$λ$的选择，而全局阈值又取决于噪声水平和图像特性。我们将展示如何斯坦的无偏估计的均方误差可以用来优化调整$λ$，在边际计算开销。我们提出了一些有代表性的去噪结果，以证明所提出的方法比NLM及其变体的优越性能。
2017-02-16 cs.CV
Fast Hyperspectral Image Denoising and Inpainting Based on Low-Rank and Sparse Representations
Instituto de Telecomunicações（电信研究院）；Instituto Superior Técnico（高等技术学院）；Universidade de Lisboa（里斯本大学）
本文介绍了两种非常快速和有竞争力的高光谱图像（HSI）恢复算法：快速高光谱去噪（FastHyDe），一种能够处理高斯和泊松噪声的去噪算法，和快速高光谱修复（FastHyIn），一种修复算法来恢复HSI，其中一些已知波段中的已知像素的一些观测值丢失。FastHyDe和FastHyIn充分利用了与其低秩和自相似特性相关的非常紧凑和稀疏的HSI表示。在一系列模拟和真实数据的实验中，新引入的FastHyDe和FastHyIn与最先进的方法竞争，具有更低的计算复杂度。
2021-03-11 cs.CV eess.IV
Probabilistic self-learning framework for Low-dose CT Denoising
University of Texas Southwestern Medical Centre（德克萨斯大学西南医学中心）
尽管X射线计算机断层扫描（CT）在诊断医学领域中发挥着不可或缺的作用，但考虑到其可能导致遗传和癌症疾病，相关的电离辐射仍然是一个主要问题。减少照射可以降低剂量，从而降低辐射相关风险，但也会引起更高的量子噪声。监督式深度学习可用于训练神经网络以对低剂量CT（LDCT）进行降噪。然而，它的成功需要大量的逐像素配对的LDCT和正常剂量CT（NDCT）图像，这在实际实践中很少可用。为了缓解这个问题，在本文中，移位不变的属性为基础的神经网络的设计，学习固有的像素相关性和噪声分布，仅使用LDCT图像，形成我们的概率自学习框架。实验结果表明，该方法优于竞争对手，产生增强的LDCT图像，具有类似的图像风格的常规NDCT，这是高度优选的临床实践。
2021-01-22 cs.CV eess.IV
Spatial-Frequency U-Net for Denoising Diffusion Probabilistic Models
University of Chicago（芝加哥大学）；Microsoft Azure AI（微软Azure人工智能）
本文提出在小波空间而非像素空间中去噪扩散概率模型的新架构 SFUNet，通过空间频率感知卷积和注意力模块联合建模空间与频域信息，在多个数据集上生成更高质量图像。
2023-07-27 cs.CV cs.LG
Noise2Inpaint: Learning Referenceless Denoising by Inpainting Unrolling
University of Minnesota（明尼苏达大学）
基于深度学习的图像去噪方法由于其改进的性能而最近很流行。传统上，这些方法是以监督的方式训练的，需要一组有噪声的输入和干净的目标图像对。最近，已经提出了自监督方法来学习仅从噪声图像中去噪。这些方法假设像素间的噪声在统计上是独立的，并且底层图像像素在邻域间显示出空间相关性。这些方法依赖于掩蔽方法，该方法将图像像素划分为两个不相交的集合，其中一个用作网络的输入，而另一个用于定义损失。然而，这些以前的自监督方法依赖于纯粹的数据驱动的正则化神经网络，而没有明确考虑掩蔽模型。在这项工作中，基于这些自监督方法，我们引入了Noise2Inpaint（N2I），这是一种训练方法，可以将去噪问题重新转换为正则化图像修复框架。这允许我们使用目标函数，该目标函数可以根据需要包含噪声的不同统计特性。我们使用展开算法展开一个迭代优化来求解这个目标函数，并对展开的网络进行端到端的训练。训练范例遵循以前作品中的掩蔽方法，将像素分成两个不相交的集合。重要的是，其中一个现在用于在展开的网络中施加数据保真度，而另一个仍然定义丢失。我们证明了N2I在真实世界的数据集上进行了成功的去噪，同时与纯粹数据驱动的Noise2Self相比，它更好地保留了细节。
2020-11-19 cs.CV cs.LG eess.IV
Super-resolution Reconstruction of SAR Image based on Non-Local Means Denoising Combined with BP Neural Network
East China University of Science and Technology（华东理工大学）；Cornell University（康奈尔大学）；GoPerception Laboratory（GoPerception实验室）
本文提出了一种超分辨率的方法来解决由于成像设备的限制而造成的图像空间分辨率低的问题。我们利用反向传播神经网络（BPNN）强大的非线性映射能力。采用欠采样方法得到训练样本图像。选择作为BPNN输入的元素是引用非局部均值（NL-Means）的像素。利用图像的自相似性，这些输入是从特定于超分辨率的改进的NL均值获得的像素。此外，本文的方法还对核函数进行了小幅度的修改，使得缩小后的图像边缘更加清晰。从峰值信噪比（Peak Signal to Noise Ratio，PSNR）和等效视数（Equivalent Number of Look，ENL）两个方面的实验结果表明，添加相似像素作为输入比不考虑相似像素作为输入会提高结果。
2016-12-14 cs.CV
Graph Laplacian Regularization for Image Denoising: Analysis in the Continuous Domain
The Hong Kong University of Science and Technology（香港科技大学）；SenseTime Group Limited（商汤集团有限公司）；National Institute of Informatics（国立情报学研究所）；Graduate University for Advanced Studies（综合研究大学院大学）
逆成像问题本质上是欠定的，因此采用适当的图像先验进行正则化是很重要的。一个最近流行的先验-图形拉普拉斯正则化-假设目标像素块相对于适当选择的图形是平滑的。然而，施加图拉普拉斯正则化原逆问题的机制和影响还没有得到很好的理解。为了解决这个问题，在本文中，我们将像素块的邻域图解释为黎曼流形的离散对应物，并在连续域中进行分析，从而深入了解图像去噪的图拉普拉斯正则化的几个基本方面。具体来说，我们首先展示了一个连续域泛函的图拉普拉斯正则化的收敛性，集成了在局部自适应度量空间中测量的范数。针对图像去噪问题，我们推导出一个最优度量空间，假设像素块具有非局部自相似性，从而得到一个最优的图拉普拉斯正则化器，用于离散域去噪。然后，我们将图拉普拉斯正则化解释为各向异性扩散方案，以解释其在迭代过程中的行为，例如，其在某些设置下促进分段平滑信号的趋势。为了验证我们的分析，迭代图像去噪算法的开发。实验结果表明，我们的算法与最先进的去噪方法，如BM 3D的自然图像的竞争力，并优于他们显着分段平滑图像。
2017-08-30 cs.CV
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
Robust Deep Ensemble Method for Real-world Image Denoising
Harbin Institute of Technology（哈尔滨工业大学）；Megvii Inc（旷视科技有限公司）
最近，基于深度学习的图像去噪方法已经在具有与训练集相同分布的测试数据上取得了有希望的性能，其中已经学习了基于合成或收集的真实世界训练数据的各种去噪模型。然而，当处理真实世界的噪声图像时，去噪性能仍然有限。在本文中，我们提出了一种简单而有效的贝叶斯深度集成（BDE）方法用于现实世界的图像去噪，其中可以融合使用各种训练数据设置预先训练的几个代表性深度去噪器以提高鲁棒性。BDE的基础是真实世界的图像噪声是高度依赖于信号的，并且真实世界的噪声图像中的异质噪声可以由不同的去噪器分别处理。特别地，我们将经过良好训练的CBDNet，NBNet，HINet，Uformer和GMSNet纳入去噪池，并采用U-Net预测像素加权映射来融合这些去噪器。引入贝叶斯深度学习策略来预测加权不确定性和加权图，而不是单独学习像素加权图，通过该策略可以对预测方差进行建模，以提高对真实世界噪声图像的鲁棒性。大量的实验表明，通过融合现有的去噪器，而不是训练一个昂贵的大去噪器，可以更好地去除真实世界的噪声。在DND数据集上，我们的BDE比最先进的去噪方法获得了+0.28~dB的PSNR增益。此外，我们注意到，我们基于不同高斯噪声水平的BDE去噪器在应用于现实世界的噪声图像时，性能优于最先进的CBDNet。此外，该算法还可以扩展到其他图像复原任务中，在图像去模糊、图像去噪和单帧图像超分辨率的基准数据集上分别获得了+0.30…
2022-06-08 cs.CV 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。
2026-08-12 cs.CV eess.IV
Change Detection from Synthetic Aperture Radar Images via Dual Path Denoising Network
Ocean University of China（中国海洋大学）；Mississippi State University（密西西比州立大学）；Southwest Jiaotong University（西南交通大学）
随着合成孔径雷达（SAR）传感器的快速发展，SAR图像的变化检测问题越来越受到人们的关注。现有的基于无监督深度学习的方法在利用鲁棒的特征表示方面做出了很大努力，但它们需要花费大量时间来优化参数。此外，这些方法使用聚类来获得用于训练的伪标签，并且伪标签样本通常包含错误，可以被认为是“标签噪声”。为了解决这些问题，我们提出了一个双路径去噪网络（DPDNet）的SAR图像变化检测。特别地，我们引入随机标签传播来清除预分类中涉及的标签噪声。我们还提出了独特的补丁卷积的特征表示学习，以减少时间消耗。具体地说，注意力机制用于选择特征图中的独特像素，并选择这些像素周围的补丁作为卷积核。因此，DPDNet不需要大量的训练样本进行参数优化，其计算效率大大提高。广泛的实验已经进行了5个SAR数据集，以验证所提出的DPDNet。实验结果表明，我们的方法优于几个国家的最先进的方法在变化检测结果。
2022-03-13 cs.CV eess.IV
Stochastic Image Denoising by Sampling from the Posterior Distribution
The Technion - Israel Institute of Technology（以色列理工学院）
图像去噪是一个众所周知且研究得很好的问题，通常以结果和原始图像之间的均方误差（MSE）最小化为目标。不幸的是，特别是对于严重的噪声水平，这种最小MSE（MMSE）解决方案可能导致模糊的输出图像。在这项工作中，我们提出了一种新的随机去噪方法，产生可行的和高感知质量的结果，同时保持一个小的MSE。我们的方法采用朗之万动力学依赖于任何给定的MMSE去噪器的重复应用，通过有效地从后验分布采样来获得重建图像。由于其随机性，所提出的算法可以产生各种高质量的输出为一个给定的噪声输入，所有被证明是合法的去噪结果。此外，我们提出了一个扩展我们的算法来处理修复问题，恢复丢失的像素，同时从部分给定的数据中去除噪声。
2021-08-31 cs.CV eess.IV
PixelDiT2: Representation-Grounded Pixel Diffusion Transformers
NVIDIA（英伟达）；University of Rochester（罗切斯特大学）
PixelDiT2通过冻结的视觉基础模型提供显式逐块表示指导，解耦表示学习与像素生成，在ImageNet上以更少周期达到更优FID。
2026-10-01 cs.CV
NAN: Noise-Aware NeRFs for Burst-Denoising
University of Haifa（海法大学）
由于计算摄影有助于克服手机和小型相机固有的灵敏度问题，因此突发去噪现在比以往任何时候都更加重要。突发去噪的一个主要挑战是处理像素错位，到目前为止，这是用简单运动的相当简单的假设来处理的，或者是在预处理中对齐的能力。这种假设在存在大运动和高噪声水平的情况下是不现实的。我们表明，神经辐射场（NeRFs），最初建议基于物理的新视图渲染，可以作为一个强大的框架，突发去噪。NeRF具有处理噪声的固有能力，因为它们整合了来自多个图像的信息，但它们在这样做时受到限制，主要是因为它们建立在适合于理想成像条件的逐像素操作上。我们的方法称为NAN，利用NeRF中的视图间和空间信息来更好地处理噪声。它在突发去噪方面达到了最先进的效果，在非常高的噪声水平下应对大的移动和遮挡方面尤其成功。随着NeRF加速技术的快速发展，它可以为在具有挑战性的环境中进行去噪提供一个强大的平台。
2022-04-12 cs.CV
Learning Deformable Kernels for Image and Video Denoising
SenseTime Research（商汤科技研究院）
大多数经典的去噪方法通过选择和平均噪声输入中的像素来恢复清晰的结果。我们建议使用深度神经网络来明确学习这个过程，而不是依赖于手工制作的选择和平均策略。具体来说，我们提出了用于图像去噪的可变形2D内核，其中采样位置和内核权重都是学习的。所提出的核函数能自然地适应图像结构，并能有效地减少过平滑伪影。此外，我们开发了用于视频去噪的3D可变形内核，以更有效地在时空空间中对像素进行采样。我们的方法能够解决大运动的动态场景中的错位问题。为了更好地训练我们的视频去噪模型，我们引入了三线性采样器和一个新的正则化项。我们证明了所提出的方法对最先进的图像和视频去噪方法的合成和真实世界的数据表现良好。
2019-04-15 cs.AI cs.CV cs.GR
Learning to Generate Realistic Noisy Images via Pixel-level Noise-aware Adversarial Training
Tsinghua University（清华大学）；Shenzhen Institute of Future Media Technology（深圳未来媒体技术研究院）；ETH Zürich（苏黎世联邦理工学院）；Harvard University（哈佛大学）；Boston College（波士顿学院）
现有的深度学习真实去噪方法需要大量的噪声-干净图像对进行监督。尽管如此，捕获一个真正的噪声干净的数据集是一个不可接受的昂贵和繁琐的过程。为了缓解这个问题，这项工作研究如何生成逼真的噪声图像。首先，我们制定了一个简单而合理的噪声模型，把每个真正的噪声像素作为一个随机变量。该模型将含噪图像生成问题分为两个子问题：图像域对齐和噪声域对齐。随后，我们提出了一个新的框架，即像素级噪声感知的生成对抗网络（PNGAN）。PNGAN采用预训练的真实去噪器将虚假和真实噪声图像映射到几乎无噪声的解空间中以执行图像域对齐。同时，PNGAN建立像素级对抗训练来进行噪声域对齐。此外，为了更好的噪声拟合，我们提出了一个有效的架构简单多尺度网络（SMNet）作为生成器。定性验证表明，PNGAN产生的噪声在强度和分布方面与真实噪声高度相似。定量实验表明，一系列的去噪训练与生成的噪声图像实现国家的最先进的（SOTA）的结果在四个真正的去噪基准。部分代码，预训练模型和结果可在https://github.com/caiyuanhao1998/PNGAN上进行比较。
2022-09-15 cs.CV eess.IV
V-Co: A Closer Look at Visual Representation Alignment via Co-Denoising
UNC Chapel Hill（北卡罗来纳大学教堂山分校）；NYU（纽约大学）；Meta；AI2（人工智能研究院）
本文通过统一的JiT框架系统研究视觉去噪，揭示了四个关键要素：双流架构、结构化无条件预测、感知漂移混合损失和特征重缩放，从而在ImageNet-256上实现更高效的生成模型。
2026-09-02 cs.AI cs.CV
Basis Prediction Networks for Effective Burst Denoising with Large Kernels
Washington University in St. Louis（圣路易斯华盛顿大学）；Adobe Research（Adobe研究院）
突发的图像在时间和空间上都表现出显著的自相似性。这促使将核表示为一小组基本元素的线性组合。为此，我们引入了一种新的基础预测网络，给定输入突发，预测一组全局基础内核-在图像中共享-和相应的混合系数-这是特定于单个像素。与输出每像素时空内核的大张量的最先进技术相比，我们的公式大大降低了网络输出的维度。这使我们能够有效地利用相对较大的去噪内核，实现显着的质量改进（超过1dB PSNR）和更快的运行时间。
2020-12-03 cs.CV
Graph-Based Depth Denoising & Dequantization for Point Cloud Enhancement
Shandong University of Science and Technology（山东科技大学）；York University（约克大学）；InterDigital Communications Inc.（InterDigital通信公司）；Purdue University（普渡大学）
3D点云通常由传感器在一个或多个视点处获取的深度测量来构造。测量遭受量化和噪声破坏。为了提高质量，以前的作品去噪点云\textit{a posteriori}投影到三维空间的不完美的深度数据。相反，我们在合成3D点云之前，直接在感测图像\textit{a priori}上增强深度测量。通过增强近物理感测过程，我们在随后的处理步骤之前将我们的优化调整到我们的深度地层模型，从而掩盖测量误差。具体来说，我们模型的深度形成信号相关的噪声添加和非均匀的基于对数的量化的组合过程。使用从代表性深度传感器收集的经验数据来验证所设计的模型（具有拟合的参数）。为了增强深度图像中的每个像素行，我们首先通过特征图学习将可用行像素之间的视图内相似性编码为边缘权重。接下来，我们通过视点映射和稀疏线性插值来建立与另一个校正深度图像的视图间相似性。这导致最大后验概率（MAP）图过滤目标是凸的和可微的。我们有效地使用加速梯度下降（AGD），其中最佳步长近似通过Gershgorin圆定理（GCT）的目标最小化。实验表明，我们的方法显着优于最近的点云去噪方案和国家的最先进的图像去噪方案在两个既定的点云质量指标。
2022-10-06 cs.CV eess.IV
Three-dimensional Optical Coherence Tomography Image Denoising through Multi-input Fully-Convolutional Networks
University of Isfahan（伊斯法罕大学）；Hunan University（湖南大学）；Isfahan University of Medical Sciences（伊斯法罕医科大学）；Sichuan University（四川大学）
近年来，人们越来越关注将卷积神经网络（CNN）应用于低级别视觉任务，如去噪和超分辨率。由于光学相干层析成像（OCT）图像形成过程的相干性，不可避免地会受到噪声的影响。提出了一种新的OCT图像去噪方法--多输入全卷积网络（MIFCN）。与最近提出的自然图像去噪CNN相比，所提出的架构允许通过多个FCN的逐像素融合来利用相邻OCT图像之间的高度相关性和互补信息。所提出的多输入架构的参数通过考虑整体输出和每个输入图像的贡献之间的一致性来学习。建议的MIFCN方法进行了比较与国家的最先进的去噪方法，通过对OCT图像的正常和年龄相关性黄斑变性的眼睛在定量和定性的方式。
2019-01-26 cs.CV
Total Denoising: Unsupervised Learning of 3D Point Cloud Cleaning
Ulm University（乌尔姆大学）；University College London（伦敦大学学院）
我们证明了3D点云的去噪可以在无监督的情况下学习，直接从嘈杂的3D点云数据中学习。这是通过将最近的想法从无监督图像去噪器的学习扩展到非结构化3D点云来实现的。无监督图像去噪器在以下假设下操作：噪声像素观察是围绕干净像素值的分布的随机实现，这允许对该分布进行适当的学习，以最终收敛到正确的值。遗憾的是，这种假设对于非结构化点是无效的：3D点云受到总噪声的影响，即。例如，所有坐标都有偏差，没有可靠的像素网格。因此，观察可以是干净的3D点的整个流形的实现，这使得将无监督图像去噪器幼稚地扩展到3D点云不切实际。为了克服这一点，我们引入了一个空间先验项，引导收敛到流形上许多可能模式中唯一最近的模式。我们的研究结果表明，无监督去噪性能类似于监督学习与干净的数据时，给予足够的训练样本-因此，我们不需要任何对嘈杂和干净的训练数据。
2019-10-17 cs.CV cs.GR
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
PUCA: Patch-Unshuffle and Channel Attention for Enhanced Self-Supervised Image Denoising
Seoul National University（首尔国立大学）；Ewha Womans University（梨花女子大学）
针对自监督图像去噪中J不变性与架构灵活性受限的问题，提出PUCA，一种结合补丁反洗牌/洗牌和扩张注意力块的J不变U-Net架构，实现了最先进的去噪性能。
2023-10-16 cs.CV cs.LG eess.IV
Statistical Denoising for single molecule fluorescence microscopic images
Korea University（高丽大学）
单分子荧光显微镜是一种强大的技术，用于揭示有关体外和体内生物系统的详细信息。在这样的实验中，固有的低信噪比意味着分离真实信号和背景噪声的精确算法对于产生有意义的结果至关重要。为此，我们已经开发了一种新的和强大的方法来减少单分子荧光图像中的噪声，通过使用高斯马尔可夫随机场（GMRF）先验贝叶斯框架。提出了两种不同的策略来建立先验-一个固有的GMRF，像素之间的固定关系和一个异构的固有GMRF，与不同的加权像素之间的关系分类为分子和背景。合成和真实实验荧光图像的测试表明，异质固有GMRF优于其他传统的去噪方法。
2013-06-07 cs.CV
Simultaneous Inpainting and Denoising by Directional Global Three-part Decomposition: Connecting Variational and Fourier Domain Based Image Processing
University of Goettingen（哥廷根大学）；Statistical and Applied Mathematical Science Institute（统计与应用数学科学研究所）
我们认为非常具有挑战性的任务，恢复图像（i）有大量的丢失的像素，（ii）其现有的像素被噪声破坏，（iii）理想的图像被恢复包含卡通和纹理元素。这三个属性的组合使得这个逆问题非常困难。本文提出的解决方案基于方向全局三部分分解（DG3PD）[ThaiGottschlich 2016]，其中曲波域中的方向总变差范数、方向G范数和$\ell_\infty$范数作为模型的关键成分。通过DG3PD的图像分解实现了卡通和纹理分量的解耦修复和去噪。与现有的修复和去噪方法的比较显示了所提出的方法的优点。此外，我们认为图像复原问题的贝叶斯框架的观点，我们讨论了建议的解决方案之间的联系，通过函数空间和相关的图像表示谐波分析和金字塔分解。
2016-06-09 cs.CV
Image denoising as a conditional expectation
Worcester Polytechnic Institute（伍斯特理工学院）；Texas Tech University（德克萨斯理工大学）
提出将含噪图像解释为概率空间样本集合，通过核积分算子在RKHS中将真实图像作为条件期望恢复，并证明该方法随像素增加而收敛。
2025-05-24 cs.CV eess.IV math.OC
How to Construct Energy for Images? Denoising Autoencoder Can Be Energy Based Model
Shanghai Jiao Tong University（上海交通大学）
基于能量的模型参数化了数据样本的非归一化对数概率，但缺乏关于如何构建“能量”的指导。在本文中，我们提出了一个去噪EBM分解成“语义能量”和“纹理能量”的图像能量。我们在DAE的潜在空间中定义了“语义能量”来建模高级表示，并将用于去噪的像素级重建误差定义为“纹理能量”。受基于分数的模型的启发，我们的模型利用多尺度噪声样本进行最大似然训练，并输出一个矢量而不是标量，用于在优化过程中探索更大的函数集。训练完成后，首先通过“语义能量”对语义图像进行快速MCMC合成，然后基于“纹理能量”对语义图像进行像素级细化，生成完美的样本。最终，我们的模型可以在图像生成方面胜过大多数EBM。我们还证明了去噪EBM在分布外检测的EBM中具有最好的性能。
2023-03-05 cs.CV cs.LG
Non-linear aggregation of filters to improve image denoising
Inria（法国国家信息与自动化研究所）；University College London（伦敦大学学院）；Ecole des Ponts ParisTech（巴黎路桥学院）
我们引入了一种新的聚合方法，有效地进行图像去噪。初步过滤器以非线性方式聚合，使用基于过滤器池如何达成共识的像素接近度的新度量。我们提供了一个理论界来支持我们的聚合方案，其数值性能的说明，我们表明，聚合显着优于每个初步过滤器。
2020-06-23 cs.CV cs.LG eess.IV
A Two-stage Method for Non-extreme Value Salt-and-Pepper Noise Removal
University of Electronic Science and Technology of China（电子科技大学）
已有几种基于神经网络的方法对椒盐噪声有很好的去噪效果。然而，这些方法是基于这样的假设，即盐和胡椒噪声的值正好是0和255。这在现实世界中是不正确的。这些方法的结果偏离严重时，该值是从0和255不同。为了克服这一缺点，我们设计了一个卷积神经网络，在更大的取值范围内检测出噪声像素，然后用滤波器将像素值修正为0，以利于进一步滤波。此外，另一个卷积神经网络被用来进行去噪和恢复工作。
2022-06-20 cs.CV eess.IV
