DORS: Dynamic Attention Routing for Diffusion-based Object Removal in Dense Scenes
School of Computer Science and Information Engineering, Hefei University of Technology(合肥工业大学计算机与信息工程学院)
针对密集场景目标移除中因语义干扰致移除不完整的问题,提出基于动态注意力路由机制的DORS框架,含实例过滤注意力和上下文引导路由组件,经实验验证其性能优于现有方法。
2026-10-09 cs.CV
ResNet Can Be Pruned 60x: Introducing Network Purification and Unused Path Removal (P-RM) after Weight Pruning
Northeastern University(东北大学)
最新的DNN结构涉及高计算量和对内存存储的巨大需求,这对DNN框架资源提出了强烈的挑战。为了减轻这些挑战,已经研究了权重修剪技术。然而,由于DNN网络中的权重大大降低,结合了不同类型的结构稀疏性的极端结构化修剪的高精度解决方案仍在等待解开。在本文中,我们提出了一个DNN框架,它结合了两种不同类型的结构化权重修剪(过滤器和列修剪),通过结合交替方向乘法器(ADMM)算法,以获得更好的修剪性能。我们是第一个发现ADMM过程的非最优性和未使用的权重在结构化修剪模型,并进一步设计了一个优化框架,其中包含第一个提出的网络净化和未使用的路径删除算法,专门用于后处理ADMM步骤后的结构化修剪模型。一些亮点显示,我们在LeNet-5上实现了232倍压缩,在ResNet-18 CIFAR-10上实现了60倍压缩,在AlexNet上实现了超过5倍压缩。我们在匿名链接http://bit.ly/2VJ5ktv上分享我们的模型。
2019-04-30 cs.AI cs.CV cs.LG
Self-Annotated 3D Geometric Learning for Smeared Points Removal
University of Edinburgh(爱丁堡大学);Michigan State University(密歇根州立大学)
针对深度图中的涂抹点伪影,提出一种完全自标注的三维几何学习方法,通过多视角证据自动标注并训练分类器去除涂抹点,优于传统滤波方法。
2023-11-15 cs.CV
Semi-LAR: Semi-supervised Contrastive Learning with Linear Attention for Removal of Nighttime Flares
School of Computer Science and Technology, Wuhan University of Science and Technology, Wuhan, China(武汉科技大学计算机科学与技术学院);Faculty of Computing, Harbin Institute of Technology, Harbin 150001, China(哈尔滨工业大学计算机学院);SRO department, Institute for Infocomm Research, A*STAR, Singapore(新加坡资讯通信研究院SRO部门)
本文提出了一种半监督对比学习框架,通过联合处理伪标签可靠性与表征歧视性,有效缓解了夜间光斑去除中的误差累积问题,并通过实验验证了该框架的模型无关性和性能提升。
2026-09-18 cs.CV
Convolutional Neural Network Pruning Using Filter Attenuation
Isfahan University of Technology(伊斯法罕理工大学);McMaster University(麦克马斯特大学)
滤波器是卷积神经网络(CNN)的基本组成部分。滤波器对应于特征图,并且形成用于CNN处理的计算和存储器要求的主要部分。在过滤器修剪方法中,过滤器及其所有组件(包括通道和连接)都将被删除。删除过滤器可能会导致网络性能的急剧变化。此外,删除的过滤器无法返回到网络结构。我们希望在本文中解决这些问题。我们提出了一种基于滤波器衰减的CNN剪枝方法,其中不直接去除弱滤波器。相反,弱滤波器被衰减并逐渐去除。在所提出的衰减方法中,弱滤波器不会被突然移除,并且这些滤波器有机会返回到网络。使用Cifar 10图像分类任务的VGG模型评估滤波器衰减方法。仿真结果表明,该滤波器在不同的剪枝准则下都能有效地进行滤波衰减,并与传统的剪枝方法进行了比较,取得了较好的效果。
2020-02-09 cs.CV
Novel Adaptive Binary Search Strategy-First Hybrid Pyramid- and Clustering-Based CNN Filter Pruning Method without Parameters Setting
National Taiwan University of Science and Technology(国立台湾科技大学)
修剪CNN模型中的冗余滤波器已经受到越来越多的关注。在本文中,我们提出了一个自适应二进制搜索优先混合金字塔和聚类为基础的(ABSHPC为基础的)方法自动修剪过滤器。在我们的方法中,对于每个卷积层,首先构造一个混合金字塔数据结构来存储每个滤波器的分层信息。给定一个可容忍的精度损失,在没有参数设置的情况下,我们从最后一个卷积层开始到第一层;对于相对于其前一层具有更小或相等的修剪率的每个所考虑的层,应用我们的基于ABSHPC的过程以最优地将所有滤波器划分为簇,其中每个簇因此由具有混合金字塔的中值根均值的滤波器表示,导致冗余滤波器的最大去除。基于实际数据集和CNN模型的实验结果表明,与现有方法相比,本文提出的滤波器剪枝方法在参数和浮点运算减少方面具有显著的优势,具有较高的准确度。
2021-04-30 cs.CV
Improving Complex Moiré Removal with Generative Supervision
本研究针对现有数据集难以覆盖真实场景复杂莫尔条纹的问题,提出生成式监督数据引擎,构建WildMoiré数据集,在多模型上验证其可提升复杂莫尔条纹去除性能。
2026-08-19 cs.CV
Revisiting Single Image Reflection Removal In the Wild
University of Science and Technology of China(中国科学技术大学);vivo Mobile Communication Co., Ltd(维沃移动通信有限公司)
本文针对真实场景单图像反射去除,提出大规模RRW数据集和MaxRF反射位置表征方法,并设计反射位置感知级联框架,在多个基准上取得领先性能。
2023-11-29 cs.CV
LowAux-RDNet: Low-Pass Residual Supervision with Scene-Balanced Real-World Training for Single-Image Reflection Removal
Fudan University(复旦大学)
研究单图像反射去除,基于RDNet构建管道,引入LowAux辅助目标,结合场景平衡真实对,构建统一基准,所提系统在多数据集上取得优异指标,性能在不同反射分布上更平衡,Postcard中语义反射仍具挑战。
2026-07-28 cs.CV
Semantic Outlier Removal with Embedding Models and LLMs
TripleLift
提出SORE方法,利用多语言句子嵌入和近似最近邻搜索,以低成本实现接近LLM的语义离群点移除精度,已在生产中处理多语言文档。
2025-06-19 cs.IR cs.LG
Filter Style Transfer between Photos
Samsung Electronics(三星电子)
在过去的几年里,图像到图像的风格转移已经上升到神经图像处理的前沿。虽然传统方法在各种任务中取得了成功,例如图像之间的颜色和纹理传输,但没有一种方法可以有效地处理用户通过Instagram等各种平台应用的自定义滤镜效果。本文提出了一种新的风格转换概念--过滤风格转换(FST)。与传统的样式转换不同,新技术FST可以从过滤后的样式图像中提取自定义过滤样式并将其转换为内容图像。FST首先通过图像到图像的转换从过滤的参考推断原始图像。然后,它估计滤波器参数之间的差异。为了解决从参考图像重建原始图像的不适定性,我们将图像的每个像素颜色表示为类均值和偏差。此外,为了处理类内的颜色变化,我们提出了一种基于不确定性的加权最小二乘法恢复原始图像。据我们所知,FST是第一种风格的传输方法,可以在移动终端上在2 ms内传输FHD图像之间的自定义滤镜效果,而不会丢失任何文本上下文。
2020-07-15 cs.CV cs.LG eess.IV
Impulsive noise removal from color images with morphological filtering
Chelyabinsk State University(车里雅宾斯克国立大学)
本文研究彩色图像中脉冲噪声的去除。提出的噪声去除算法采用了一种新的方法与形态滤波的彩色图像去噪,即检测损坏的像素和去除检测到的噪声通过形态滤波。通过计算机模拟,证明了该算法能有效地去除脉冲噪声。在图像复原指标和处理速度方面,与常见的成功算法进行了比较。
2017-07-11 cs.CV
A Fast Switching Filter for Impulsive Noise Removal from Color Images
University of Texas at Arlington(德克萨斯大学阿灵顿分校);T-Mobile(T-Mobile公司)
本文提出了一种快速切换滤波器用于彩色图像的脉冲噪声去除。该滤波器利用HSL颜色空间,并基于对等组的概念,它允许在一个邻域中的噪声的快速检测,而不诉诸于每个像素之间的成对距离计算。在大量不同图像上的实验表明,该方法不仅速度非常快,而且与各种最先进的滤波器相比,效果非常好。
2010-09-06 cs.CV
Local Activity-tuned Image Filtering for Noise Removal and Image Smoothing
Beijing Jiaotong University(北京交通大学);Simon Fraser University(西蒙弗雷泽大学);Shandong Normal University(山东师范大学);Taiyuan University of Science and Technology(太原科技大学)
本文提出了两种局部活性调节滤波框架,用于噪声去除和图像平滑,其中局部活性测量由裁剪和归一化的局部方差或标准差给出。第一个框架是一个改进的各向异性扩散逐段平滑图像的噪声去除。第二个框架是一个局部活动调整的相对总变分(LAT-RTV)方法的图像平滑。这两种框架都采用梯度分割和局部活动测量来实现噪声去除。此外,为了更好地捕捉局部信息,LAT-RTV使用梯度和局部活动测量的乘积来提高图像平滑的性能。实验结果表明,所提出的方法在各种应用中,包括深度图像滤波,剪贴画压缩伪影去除,图像平滑,图像去噪的效率。
2017-11-18 cs.CV
Nonlinear Vector Filtering for Impulsive Noise Removal from Color Images
Louisiana State University in Shreveport(路易斯安那州立大学什里夫波特分校);Georgia Institute of Technology(佐治亚理工学院);Prairie View A&M University(普雷里维尤农工大学)
本文综述了48种彩色图像脉冲噪声滤除滤波器。滤波器采用统一的符号表示,并分为8个系列。这些过滤器的性能进行了比较,在一个大的图像集,涵盖了各种领域使用三个有效性和一个效率标准。为了确保公平的效率比较,反余弦函数的快速和准确的近似。此外,常用的距离措施(闵可夫斯基,角度和方向距离)进行了分析和评价。最后,给出了在一定条件下如何选择滤波器的建议。
2010-09-06 cs.CV
Fun Selfie Filters in Face Recognition: Impact Assessment and Removal
NTNU(挪威科技大学);Hochschule Darmstadt(达姆施塔特应用技术大学)
这项工作研究了经常用于修改自拍的有趣自拍过滤器对人脸识别系统的影响。基于对免费移动应用程序的定性评估和分类,选择了十个相关的有趣自拍滤镜来创建数据库。为此,所选择的过滤器被自动应用于公共面部图像数据库的面部图像。使用不同的最先进的方法来评估有趣的自拍过滤器对使用dlib,RetinaFace和COTS方法进行人脸检测的性能,FaceQNet和MagFace估计的样本质量以及使用ArcFace和COTS算法的识别准确性的影响。所获得的结果表明,自拍过滤器对面部识别模块产生负面影响,特别是如果有趣的自拍过滤器覆盖了面部的大区域,其中嘴巴,鼻子和眼睛被覆盖。为了减轻这种不必要的影响,提出了一种基于GAN的自拍滤波器去除算法,该算法由分割模块、感知网络和生成模块组成。在跨数据库实验中,所提出的自拍过滤器去除技术的应用已经显示出显着提高了底层人脸识别系统的生物识别性能。
2022-02-12 cs.CV
Efficient Fruit Defect Detection and Glare removal Algorithm by anisotropic diffusion and 2D Gabor filter
本文主要研究了基于形态学的水果缺陷检测和眩光去除,眩光去除是一个重要的预处理步骤,因为不均匀的光照会引入图像中,影响Gabor滤波器分割的结果,眩光问题有时会非常突出,这是由于摄像机传感器的异常反射或杂散光的进入,该方法抵消了这个问题,并且使得缺陷检测更加明显。各向异性扩散用于进一步平滑图像并去除图像中的高能量区域,以更好地检测缺陷并使缺陷更可检索。我们的算法是鲁棒性和可扩展性的一个特定的眩光去除掩模的可利用性已被检查,并证明是有用的抵消。这个问题,各向异性扩散进一步提高了缺陷与它的使用进一步优化Gabor滤波器在各种方向用于缺陷检测。
2012-04-04 cs.CV
Deep Learning based Switching Filter for Impulsive Noise Removal in Color Images
Silesian University of Technology(西里西亚工业大学)
噪声抑制是低层图像处理中最重要的研究课题之一,因为它对计算机视觉系统中的目标检测和场景理解有很大的影响。最近,我们可以观察到深度学习算法在许多计算机视觉问题中的应用兴趣大幅增加,这是由于其令人印象深刻的自动特征提取和分类能力。这些方法也已成功地应用于图像去噪,显着提高了性能,但大多数提出的方法是针对高斯噪声抑制。在本文中,我们提出了一种开关滤波设计,旨在使用深度学习去除脉冲噪声。在所提出的方法中,使用一种新的深度神经网络架构识别脉冲,并使用快速自适应均值滤波器恢复噪声像素。实验结果表明,该方法优于现有的脉冲噪声去除滤波器。
2019-12-03 cs.CV
Removal of Parameter Adjustment of Frangi Filters in Case of Coronary Angiograms
Frangi滤波器是用于增强医学图像中的血管的广泛使用的滤波器之一。自首次提出以来,Frangi过滤器的血管功能阈值将针对每个单独的应用进行安排。针对个人荧光镜手动更改这些阈值,以增强冠状动脉血管造影图像。因此,感觉到需要减轻每个荧光镜的阈值的调谐过程。本论文的方法旨在统一处理冠状动脉血管造影图像,而不考虑获得这些图像的荧光镜和用于进一步狭窄检测的患者人口统计学。据我们所知,这一问题尚未得到解决。该方法在将图像送入Frangi滤波器之前,先用同态滤波器去除输入图像的光照不均匀,然后用非下采样Contourlet变换(NSCT)增强图像。该实验是在印度各医院积累的数据上进行的,所获得的结果验证了参数的依赖性去除,而不影响Frangi滤波器获得的结果。
2018-12-07 cs.CV
NAMF: A Non-local Adaptive Mean Filter for Salt-and-Pepper Noise Removal
China University of Geosciences(中国地质大学);Hubei Key Laboratory of Advanced Control and Intelligent Automation for Complex Systems(湖北省复杂系统先进控制与智能自动化重点实验室)
提出了一种新的非局部自适应均值滤波器(NAMF)算法,用于去除图像中的椒盐噪声。我们采用一个有效的窗口检测器与自适应大小检测噪声,噪声像素将被替换为它的相邻像素的组合,最后我们使用SAP噪声的非局部均值滤波器来重建噪声像素的强度值。大量的实验结果表明,NAMF可以获得更好的性能,在恢复图像的质量在所有级别的SAP噪声。
2020-07-27 cs.CV
A Novel Directional Weighted Minimum Deviation (DWMD) Based Filter for Removal of Random Valued Impulse Noise
Kalyani University(卡利亚尼大学);The University of Burdwan(布尔德万大学)
大多数基于中值的去噪方法可以很好地恢复被随机值脉冲噪声损坏的图像,具有低噪声水平,但对于高度损坏的图像非常差。本文提出了一种基于方向加权最小偏差(DWMD)的滤波器,用于去除高随机值脉冲噪声(RVIN)。基于标准差(SD)的方法分为两个阶段。第一阶段通过在测试像素和与四个主要方向对齐的其相邻像素之间进行差分来检测污染像素。第二阶段只过滤那些像素,而其他像素保持不变。滤波方案基于四个方向像素的最小标准差。大量的仿真结果表明,该滤波器不仅提供了更好的去噪性能的RVIN,但可以保留更多的细节特征,甚至细线或点。与现有的滤波器相比,该技术在PSNR、图像保真度和计算成本方面表现出更好的性能。
2012-12-14 cs.CV
High Density Noise Removal by Cascading Algorithms
Veer Surendra Sai University of Technology(维尔·苏伦德拉·赛理工大学)
提出了一种改进的非线性级联滤波算法,用于去除数字图像中的高密度椒盐噪声。所提出的方法包括两个阶段。第一阶段的决策基中值滤波器(DMF)作为初步的噪声去除算法。第二阶段是改进的基于决策的部分修剪全局均值滤波器(MDBPTGMF)或改进的基于决策的非对称修剪中值滤波器(MDBUFMF),其用于去除剩余噪声并增强图像质量。DMF算法在低噪声密度下表现良好,但在中高噪声水平下无法去除噪声。MDBPTGMF和MDUMF在低、中和高噪声密度下具有出色的性能,但这些会降低图像质量,并在高噪声水平下使图像模糊。因此,本文的基本思想是结合两个阶段中使用的滤波器的优点,以去除椒盐噪声,并在所有噪声密度水平下提高图像质量。对不同灰度图像的测试表明,该方法的平均绝对误差(MAE)、峰值信噪比(PSNR)和图像增强因子(IEF)均优于自适应中值滤波器(AMF)、基于判决的非对称裁剪中值滤波器(DBUMF)、改进的基于判决的非对称裁剪中值滤波器(MDBUMF)和基于判决的部分裁剪全局均值滤波器(DBPTGMF)。
2015-04-11 cs.CV
An effective edge--directed frequency filter for removal of aliasing in upsampled images
光栅图像可以有一系列与其光栅结构相关的各种失真。对它们进行上采样实际上可能会产生原始图像的光栅结构,称为混叠。上采样本身也可能将混叠引入到上采样的图像中。所提出的方法尝试使用基于离散快速傅立叶变换的频率滤波器来去除混叠,并且在沿着图像中的边缘放置的某些区域中定向地应用。相对于一些各向异性平滑方法,该算法的目的是选择性地减少只混叠,保持图像细节的清晰度。该方法可以与各种上采样算法一起用作后处理滤波器。实验结果表明,该方法可以提高上采样图像的视觉质量。
2006-09-04 cs.CV
A Comparative Study of Removal Noise from Remote Sensing Image
Yeshwant College(耶什万特学院);Swami Ramanand Teerth Marathwada University(斯瓦米·拉曼纳德·蒂尔特·马拉特瓦达大学)
本文尝试对椒盐噪声、随机变化脉冲噪声和散斑噪声进行研究。采用均值滤波器(MF)、自适应维纳滤波器(AWF)、高斯滤波器(GF)、标准中值滤波器(SMF)和自适应中值滤波器(AMF)等五种滤波器,对10%~ 60%的噪声密度进行了去除。同样的方法也适用于土星遥感图像,并将它们进行了比较。利用均方误差(MSE)和峰值信噪比(PSNR)进行了对比研究。从而为遥感图像去噪选择基本方法。
2010-02-05 cs.CV
Linear Attention Based Deep Nonlocal Means Filtering for Multiplicative Noise Removal
Research Institute of Electronic Science and Technology, University of Electronic Science and Technology of China(电子科技大学电子科学技术研究院);School of Information and Communication Engineering, University of Electronic Science and Technology of China(电子科技大学信息与通信工程学院)
本文提出基于深度学习的线性注意力机制的非局部均值滤波方法,用于高效去除乘性噪声,通过深度通道卷积神经网络提取邻域矩阵信息,并利用注意力机制实现相似性计算和加权平均,实验表明其在模拟和真实噪声数据上表现优于现有方法。
2026-04-12 cs.AI cs.CV eess.IV
A Linear Comb Filter for Event Flicker Removal
Australian National University(澳大利亚国立大学)
事件相机是生物启发的传感器,其捕获每像素异步强度变化,而不是由经典相机传感器捕获的同步绝对强度帧。这种相机是机器人应用的理想选择,因为它们具有高时间分辨率,高动态范围和低延迟。然而,由于它们的高时间分辨率,事件相机对诸如来自荧光灯或LED灯的闪烁特别敏感。在从亮到暗的每个周期中,对闪烁光源成像的像素生成许多事件,这些事件为机器人提供很少或根本没有有用的信息,淹没了场景中的有用数据。在本文中,我们提出了一种新的线性滤波器来预处理事件数据,以消除不必要的闪烁事件从事件流。所提出的算法实现了超过4.6倍的相对改善的信号-噪声比相比,由于从荧光灯照明的闪烁的有效去除的原始事件流。因此,它非常适合在室内环境或闪烁光源照明的场景中操作的机器人应用。
2022-05-17 cs.CV
Adversarial Color Enhancement: Generating Unrestricted Adversarial Images by Optimizing a Color Filter
Radboud University(拉德堡德大学)
我们介绍了一种使用滤色器增强图像的方法,以创建对抗效果,从而欺骗神经网络进行错误分类。我们的方法,对抗性颜色增强(ACE),通过优化颜色过滤器通过梯度下降,生成不受限制的对抗性图像。ACE的新颖之处在于它以透明的方式纳入了图像增强的既定做法。实验结果验证了ACE的白盒对抗能力和黑盒可移植性。一系列的例子证明了ACE产生的图像的感知质量。ACE对最近的工作做出了重要贡献,该工作超越了$L_p$的不可感知性,并专注于产生大的可感知扰动但对人眼保持非可疑的无限制对抗性修改。基于过滤器的对手的未来潜力也在两个方向上进行了探索:用常见的增强实践(例如,Instagram的过滤器)对特定的有吸引力的图像风格和适应ACE图像语义。代码可在https://github.com/ZhengyuZhao/ACE上获得。
2020-08-09 cs.CV
Shadow Image Enlargement Distortion Removal
Northern Technical University(北方技术大学)
本计画的目的是采用预处理的方式,以减少阴影影像放大时的失真。预处理操作包括三个主要步骤:首先使用任何类型的插值方法放大原始阴影图像,然后对放大图像进行平均滤波,最后对先前的平均图像进行反锐化滤波。这些预处理操作导致对于相同的阴影图像,得到非常接近原始放大图像的放大图像。然后通过使用不同类型的插值和不同的alfa值进行反锐化滤波,将所采用的图像与原始图像进行比较,得出两幅图像之间误差较小的最佳方法。
2021-02-22 cs.CV
Sparse + Low Rank Decomposition of Annihilating Filter-based Hankel Matrix for Impulse Noise Removal
KAIST(韩国科学技术院)
近年来,基于零化滤波器的低秩汉克尔矩阵(ALOHA)方法被提出作为一种强大的图像修补方法。基于观察到的图像补丁内的平滑度或纹理对应于频域中的稀疏频谱分量,ALOHA利用存在的零化滤波器和相关联的秩亏汉克尔矩阵在图像域中估计丢失的像素。通过扩展这一思想,在这里,我们提出了一种新的脉冲噪声去除算法使用稀疏+低秩分解的零化滤波器为基础的汉克尔矩阵。新的方法,我们称之为鲁棒ALOHA,是出于观察,与脉冲噪声损坏的图像具有完整的像素,所以脉冲噪声可以建模为稀疏的组件,而底层图像仍然可以使用低秩汉克尔结构矩阵建模。针对稀疏+低秩分解问题,提出了一种基于低秩矩阵拟合(LMaFit)算法的交替方向乘子法(ADMM).为了适应具有不同光谱分布的局部图像统计,鲁棒ALOHA逐块应用。对单通道和多通道彩色图像的随机脉冲噪声和椒盐噪声两种脉冲噪声的实验结果表明,鲁棒ALOHA算法在峰值信噪比(PSNR)方面优于现有算法达8dB。
2015-10-19 cs.CV
A deep learning approach for marine snow synthesis and removal
本文提出一种基于深度学习的方法,通过GAN合成海洋雪样本构建配对数据集,并训练U-Net模型进行图像到图像转换以去除海洋雪,实验证明其高精度和鲁棒性优于现有方法。
2023-11-27 cs.CV cs.LG eess.IV
Image De-Noising For Salt and Pepper Noise by Introducing New Enhanced Filter
TIT College(TIT学院);RGTU(拉吉夫·甘地技术大学);Laxmipati Group of Institutions(拉克西米帕蒂教育集团);RKDF College(RKDF学院);IES college(IES学院);LIST college(LIST学院)
当图像形成时,诸如照明(光谱、光源和强度)和相机特性(传感器响应、镜头)等因素会影响图像的外观。因此,降低图像质量的主要因素是噪声。它隐藏了图像的重要细节和信息。为了提高图像的质量,必须在不损失图像信息的前提下去除噪声。噪声去除是图像处理的预处理阶段之一。本文提出了一种新的灰度图像增强方法,当图像受到定值脉冲噪声(椒盐噪声)的污染时,该方法能有效地增强灰度图像。与标准中值滤波器(SMF)、基于决策的中值滤波器(DBMF)和改进的基于决策的中值滤波器(MDBMF)等著名滤波器相比,所提出的方法确保了对于低密度和中等密度的固定值脉冲噪声的更好的输出。所提出的方法的主要目标是提高峰值信噪比(PSNR)、视觉感知和减少图像的模糊。该算法用裁剪均值代替噪声像素。当先前的像素值0和255 s存在于特定窗口中并且所有像素值都是0和255 s时,则剩余的噪声像素被平均值替换。利用该方法对山鸡和莉娜的灰度图像进行了检测。实验结果表明,该方法具有较好的峰值信噪比(PSNR)和均方误差值,具有较好的视觉和人类感知效果。
2019-01-19 cs.CV cs.LG eess.IV
A Non-Local Means Approach for Gaussian Noise Removal from Images using a Modified Weighting Kernel
Qazvin Islamic Azad University(加兹温伊斯兰阿扎德大学)
高斯噪声去除是数字图像处理中的一个有趣的领域,不仅可以提高视觉质量,而且可以影响其他后处理算法,如图像配准或分割。现有的许多去噪方法都是基于自相似性或基于块的图像处理。具体来说,非局部均值(NLM)作为一种基于块的滤波器,近年来得到了越来越多的关注。本质上,该滤波器倾向于通过计算待处理的块与图像内的其他块之间的高斯加权欧几里德距离来获得无噪声信号值。然而,NLM滤波器对补丁内的离群值(其强度值远离其他像素的像素)敏感,这意味着补丁中具有对称位置的像素被分配相同的权重。当噪声的破坏性性质在补丁内生成一些离群值时,这可能导致次优的去噪性能。在本文中,我们提出了一种新的加权方法来修改高斯核的NLM滤波器。我们的方法采用图像强度之间的几何距离来为补丁的每个像素提供新的权重,降低离群值对去噪性能的影响。对一组标准图像和不同噪声水平的实验表明,我们提出的方法优于其他比较去噪滤波器。
2016-12-03 cs.CV
Pushing the Limit of Unsupervised Learning for Ultrasound Image Artifact Removal
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
超声(US)成像是一种快速和非侵入性的成像方式,广泛用于实时临床成像应用,而无需考虑辐射危害。不幸的是,它往往遭受从各种来源,如斑点噪声,模糊,多线采集(MLA),有限的RF通道,小数目的平面波成像的情况下的视角,等经典的方法来处理这些问题,包括图像域信号处理方法,使用各种自适应滤波和基于模型的方法的视觉质量差。最近,深度学习方法已经成功地用于超声成像领域。然而,这些方法的局限性之一是在许多实际应用中难以获得用于监督训练的成对高质量图像。在本文中,受最近使用最优传输驱动循环GAN(OT-cycleGAN)的无监督学习理论的启发,我们研究了无监督深度学习在没有匹配参考数据的情况下对US伪影去除问题的适用性。各种任务,如反卷积,斑点去除,有限的数据伪影去除等的实验结果证实,我们的无监督学习方法提供了相当的结果,监督学习的许多实际应用。
2020-06-26 cs.CV cs.LG eess.IV
AuraMask: An Extensible Pipeline for Developing Aesthetic Anti-Facial Recognition Image Filters
Franklin and Marshall College(弗兰克林与马歇尔学院);Carnegie Mellon University(卡内基梅隆大学);Georgia Institute of Technology(佐治亚理工学院)
本文提出AuraMask,一种生成有效且美观的反面部识别图像滤镜的方法,通过40个仿Instagram滤镜的实例,验证其在对抗有效性与用户接受度上的优势。
2026-05-13 cs.AI cs.CV cs.HC
GLF-CR: SAR-Enhanced Cloud Removal with Global-Local Fusion
Wuhan University(武汉大学);Technical University of Munich(慕尼黑工业大学);German Aerospace Center(德国航空航天中心)
借助可以穿透云层的合成孔径雷达(SAR)图像,可以减轻除云任务的挑战。然而,光学图像与SAR图像之间存在较大的域差,SAR图像存在严重的斑点噪声,这可能对SAR图像去云产生严重干扰,导致去云性能下降。在本文中,我们提出了一种新的基于全局-局部融合的云去除(GLF-CR)算法,利用嵌入在SAR图像中的互补信息。利用SAR信息的力量来促进云的去除需要两个方面。第一,全局融合,引导所有局部光学窗口之间的关系,以保持恢复区域的结构与剩余的无云区域一致。第二,局部融合,转移互补信息嵌入在SAR图像中对应的多云区域,以产生可靠的纹理细节的缺失区域,并使用动态滤波,以减轻斑点噪声造成的性能下降。在SEN 12 MS-CR数据集上的实验结果表明,该算法能够获得高质量的无云图像,并且在PSNR方面比现有的去云算法提高了约1.7dB。
2022-08-09 cs.CV eess.IV
Analytical Comparison of Noise Reduction Filters for Image Restoration Using SNR Estimation
Nirma Institute of Technology(尼尔玛理工学院)
从图像中去除噪声是图像复原的一部分,其中我们试图通过使用退化现象的先验知识来重建或恢复已经退化的图像。图像中存在的噪声可以是各种类型,具有其特征概率分布函数(PDF)。噪声去除技术取决于图像中存在的噪声的种类,而不是图像本身。本文探讨了应用降噪滤波器具有相似的属性对噪声图像的效果,重点是信噪比(SNR)值估计比较的结果。
2014-12-02 cs.CV
Image Reconstruction with Predictive Filter Flow
University of California, Irvine(加州大学欧文分校)
我们提出了一个简单的,可解释的框架,解决了广泛的图像重建问题,如去噪和反卷积。给定一个损坏的输入图像,该模型合成一个空间变化的线性滤波器,当应用于输入图像时,重建所需的输出。使用监督或自监督训练来学习模型参数。我们测试这个模型上的三个任务:非均匀运动模糊去除,有损压缩伪影减少和单图像超分辨率。我们证明,我们的模型在所有这些任务上的表现都大大优于最先进的方法,并且比基于优化的反卷积方法快得多。与直接预测输出像素值的模型不同,预测的过滤器流是可控和可解释的,我们通过可视化不同任务的预测过滤器空间来证明这一点。
2018-11-28 cs.CV cs.GR cs.LG
Concept Removal for Frontier Image Generative Models
CISPA Helmholtz Center for Information Security(CISPA海德堡信息安全研究中心)
提出一种针对前沿扩散和自回归模型(如SD3.5、Flux、Infinity)的概念移除方法,通过将内部瓶颈层替换为转码器来选择性禁用概念相关信号,实现高效概念移除并保持生成质量。
2026-06-25 cs.CV cs.LG
A Parallel Hybrid Technique for Multi-Noise Removal from Grayscale Medical Images
Ain Shams University(艾因夏姆斯大学)
医学成像是用于创建人体或其部分图像以用于临床目的的技术。医学图像通常具有较大的尺寸,并且它们通常同时被单一或多种噪声类型破坏,由于各种原因,这两个原因是向并行图像处理移动以寻找图像去噪技术的替代方案的触发器。本文提出了一种并行混合滤波器实现灰度医学图像去噪。混合是自适应中值和维纳滤波器之间。在自适应中值滤波器上实现了并行化,克服了邻域运算的延迟,采用MatLab 2013 a提供的parfor隐式并行。该实现是在2.5 MB大小的图像上进行测试,该图像被分为2,4和8个分区;在时间方面,给出了所提出的实现和顺序实现之间的比较。因此,当分配给等于其分区数量的线程数量时,每个情况都具有最佳时间。此外,速度和效率计算的算法,他们表现出测量的增强。
2020-04-06 cs.CV
Cloud Removal in Satellite Images Using Spatiotemporal Generative Networks
Stanford University(斯坦福大学)
卫星图像为持续的环境监测和地球观测带来了巨大的希望。然而,云层造成的遮挡会严重限制覆盖范围,使地面信息抽取更加困难。现有的管道通常使用简单的时间合成和手工制作的过滤器来执行云去除。相比之下,我们将云去除的问题作为一个有条件的图像合成挑战,我们提出了一个可训练的时空生成器网络(STGAN)来去除云。我们训练我们的模型,我们构建了一个新的大规模时空数据集,包含97640图像对覆盖所有大陆。我们通过实验证明,所提出的STGAN模型优于标准模型,可以在各种大气条件下生成具有高PSNR和SSIM值的逼真无云图像,从而提高了土地覆盖分类等下游任务的性能。
2019-12-14 cs.CV
Learned Parametric Emotion Editing: Real-Time Affective Filtering for On-Device Social Media Video
Eastern Switzerland University of Applied Sciences (OST)(东瑞士应用科学大学(OST))
针对问题性互联网使用,本文提出基于MobileNetV4和FiLM的实时情感编辑模型,以3.7毫秒前向传播替代80秒迭代优化,在用户研究中有效降低唤醒度并保持高质量,已集成至Android应用实现60fps实时处理。
2026-09-21 cs.CV cs.HC
Sparse Component Analysis (SCA) in Random-valued and Salt and Pepper Noise Removal
Sharif University of Technology(谢里夫理工大学)
本文提出了一种新的图像脉冲噪声去除方法。它使用离散余弦变换(DCT)域中图像的稀疏性。这个域中的零点给了我们精确的数学方程来重建被随机值脉冲噪声破坏的像素。该方法还可以检测和纠正损坏的像素。此外,在一个更简单的情况下,盐和胡椒噪声是图像中最亮和最暗的像素,我们提出了一个更简单的版本,我们的方法。除了所提出的方法,我们建议传统的中值滤波方法与我们的方法相结合,以产生更好的结果时,损坏的样本的百分比是高的。
2008-12-15 cs.CV
Restoring STM images via Sparse Coding: noise and artifact removal
在这篇文章中,我们提出了一种去噪算法,以提高扫描隧道显微镜(STM)图像的解释和质量。鉴于STM图像的高水平的自相似性,我们提出了一个去噪算法,通过重新制定的真实估计问题作为一个稀疏回归,通常被称为稀疏编码。我们引入修改的算法,以应付存在的文物,主要是辍学,出现在一个结构化的方式作为连续的线段上的扫描方向。由此产生的算法将伪影视为缺失数据,并且估计值优于通过局部滤波来替换离群值的那些算法。我们提供Matlab和Gwendion的代码实现。
2016-10-11 cs.CV
Fast and easy blind deblurring using an inverse filter and PROBE
Tel Aviv University(特拉维夫大学)
PROBE(Progressive Removal of Blur Residual)是一个递归的盲去模糊框架。使用基本的修改后的反滤波器在其核心,PROBE的实验性能达到或超过了最先进的,无论是在视觉上和定量。值得注意的是,PROBE有助于揭示其收敛特性的分析。PROBE的动机是最近的想法渐进盲去模糊,但打破了以前的研究,其简单性,速度,性能和分析潜力。PROBE既不是函数最小化方法,也不是开环顺序方法(模糊核估计,然后是非盲去模糊)。PROBE是一种反馈方案,其独特的优势来自闭环架构,而不是其算法组件的准确性。
2017-02-04 cs.CV
Image Resolution and Contrast Enhancement of Satellite Geographical Images with Removal of Noise using Wavelet Transforms
本文提出了基于离散小波变换(DWT)、平稳小波变换(SWT)和奇异值分解(SVD)的卫星地理图像分辨率和对比度增强技术。在这种情况下,噪声被添加到输入的低分辨率和低对比度图像中。中值滤波器用于从输入图像中去除噪声。该低分辨率、低对比度、无噪声的图像通过小波变换和小波变换分解为四个子带。分辨率增强技术是基于小波变换得到的高频分量和输入图像的插值。SWT用于增强输入图像。小波变换用于将图像分解为四个频率子带,并使用双三次插值技术对这四个子带进行插值。所有这些子带通过逆离散小波变换(IDWT)被重建为高分辨率图像。为了增加对比度,所提出的技术使用DWT和SVD。GHE用于均衡图像。均衡后的图像采用离散小波变换分解为四个子带,并利用奇异值分解重构新的LL子带。所有的子带重建使用IDWT生成高分辨率和对比度的图像比传统的技术。实验结果表明,所提出的技术优于传统的技术。关键词:离散小波变换(DWT),通用直方图均衡化(GHE),中值滤波,奇异值分解(SVD),平稳小波变换(SWT)。
2014-05-08 cs.CV
A Generic Deep Architecture for Single Image Reflection Removal and Image Smoothing
Shandong University(山东大学);Microsoft Research(微软研究院);Shenzhen Research Institute, Shandong University(山东大学深圳研究院)
本文提出了一种深度神经网络结构,利用边缘信息解决代表性的低层次视觉任务,如层分离和图像滤波。与在此背景下应用的大多数其他深度学习策略不同,我们的方法通过仅使用级联卷积层来估计边缘和重建图像来解决这些具有挑战性的问题,这些级联卷积层的排列使得不需要手工制作或特定于应用的图像处理组件。我们将得到的可转移管道应用到两个不同的问题域,这两个问题域都对边缘敏感,即单个图像反射去除和图像平滑。对于前者,使用温和的反射平滑假设和一种新的合成数据生成方法,作为一种弱监督,我们的网络能够解决更困难的反射情况下,不能处理以前的方法。对于后者,我们也超过了国家的最先进的定量和定性结果的大幅度。在所有情况下,所提出的框架都是简单、快速的,并且易于在不同的域之间传输。
2018-06-10 cs.CV
Bi-Erasing: A Bidirectional Framework for Concept Removal in Diffusion Models
Bi-Erasing通过双向框架同时实现概念抑制与安全增强,提升扩散模型在移除有害概念与保持生成质量之间的平衡。
2025-12-16 cs.CR cs.CV
When A Conventional Filter Meets Deep Learning: Basis Composition Learning on Image Filters
Hong Kong Metropolitan University(香港都会大学);Nanjing University of Aeronautics and Astronautics(南京航空航天大学);Lingnan University(岭南大学);Education University of Hong Kong(香港教育大学)
图像滤波器具有快速、轻便和有效的特点,这使得这些传统的智能滤波器更适合作为视觉任务的基本工具。在实际场景中,用户必须多次调整参数以获得满意的结果。这种不便极大地降低了效率和用户体验。我们提出了在单个图像滤波器上的基础组合学习,以自动确定其最佳公式。可行性是基于一个两步的策略:首先,我们建立了一组过滤的基础(FB)的近似下选定的参数配置;第二,提出了一个双分支组成模块,学习如何在FB的候选人结合,以更好地近似目标图像。我们的方法在实践中是简单而有效的,它使过滤器是用户友好的,并有利于基本的低层次的视觉问题,包括去噪,去噪和纹理去除。大量的实验表明,我们的方法达到了性能,时间复杂度和内存效率之间的适当平衡。
2022-03-01 cs.CV
A two-stage denoising filter: the preprocessed Yaroslavsky filter
Duke University(杜克大学);University of California, San Diego(加利福尼亚大学圣迭戈分校)
本文介绍了一种简单的图像去噪方法,它结合了预处理步骤与雅罗斯拉夫斯基滤波器强大的数值,视觉和理论性能的广泛的一类图像。制定的框架是一个两阶段的方法。在第一阶段中,使用经典的去噪方法(例如,小波或曲波阈值)。在第二阶段中,对原始噪声图像执行Yaroslavsky滤波器的修改,其中滤波器的权重由来自第一阶段的去噪图像中的像素相似性决定。类似的预过滤的想法已被证明是有效的,以前在文献中,本文提供了理论保证和重要的见解,为什么预过滤可以是有效的。经验上,这种简单的方法实现了非常好的卡通图像的性能,可以更快地计算比目前的基于块的去噪算法。
2012-08-31 cs.CV math.ST stat.TH
Multimodal Fusion via a Series of Transfers for Noise Removal
Ryerson University(瑞尔森大学)
近红外成像已被认为是在昏暗照明条件下提供高质量照片的解决方案。该成像系统采集了两种多模态图像:一种是近红外灰度图像(NGI),另一种是可见光彩色图像(VCI)。NGI是无噪声的,但它是灰度的,而VCI有颜色,但它包含噪声。此外,NGI和VCI之间存在严重的边缘和亮度差异。针对这一问题,提出了一种新的基于转移的融合去噪方法。与传统的融合方法不同,该方法进行了一系列的传递:对比度,细节和颜色的转移。首先,所提出的对比度和细节转移的目的是解决严重的差异问题,从而创建一个新的无噪声和细节保护NGI。其次,建议的颜色转移模型的未知颜色从去噪VCI通过线性变换,然后将自然的外观颜色到新生成的NGI。实验结果表明,该方法能有效地解决融合图像中的差异问题,在去除噪声的同时,能清晰地描述融合图像的边缘和纹理。最重要的是,该方法优于传统的融合方法和引导滤波,甚至是最先进的融合方法的基础上的比例尺地图和层分解。
2017-01-22 cs.CV
Investigating the Impact of Various Loss Functions and Learnable Wiener Filter for Laparoscopic Image Desmoking
New Jersey Institute of Technology(新泽西理工学院)
本文对腹腔镜图像去烟ULW框架进行消融研究,系统评估可学习Wiener滤波器及复合损失函数各组件对整体性能的具体贡献。
2025-09-11 cs.CV
Non-Homogeneous Haze Removal via Artificial Scene Prior and Bidimensional Graph Reasoning
University of Electronic Science and Technology of China(电子科技大学)
由于缺乏自然场景和烟雾先验信息,从单个图像中完全去除烟雾而不扭曲其视觉内容具有很大的挑战性。幸运的是,现实世界的雾霾通常呈现非均匀分布,这为我们在部分保存完好的地区提供了许多有价值的线索。在本文中,我们提出了一个非均匀去雾网络(NHRN)通过人工场景先验和二维图推理。首先,我们采用伽玛校正迭代模拟人工多镜头在不同的曝光条件下,其雾度不同,丰富了底层场景的先验知识。其次,除了利用局部相邻关系,我们建立了一个二维图推理模块进行非局部过滤的空间和通道维度的特征地图,它模型的远程依赖性和传播的自然场景之间的保存完好的节点和节点污染的烟雾。据我们所知,这是第一次探索通过基于图推理的框架来去除非均匀的雾。我们在不同的基准数据集上评估我们的方法。结果表明,我们的方法实现了优越的性能超过许多国家的最先进的算法,无论是单一的图像去雾和模糊图像理解任务。拟议的国家人权网的源代码可在https://github.com/whrws/NHRNet上查阅。
2022-11-15 cs.CV
On the Robustness of Watermarking for Autoregressive Image Generation
Ruhr University Bochum(波鸿鲁尔大学);Middlebury College(米德尔伯里学院);New York University(纽约大学);Independent Researcher(独立研究员);Qualcomm(高通)
研究自回归图像生成中水印技术的鲁棒性,揭示其易受移除和伪造攻击的影响,并提出三种新攻击方法,表明现有水印方案无法可靠检测合成内容。
2026-04-13 cs.AI cs.CR cs.CV