No-reference Image Denoising Quality Assessment
Portland State University（波特兰州立大学）
图像去噪方法种类繁多。然而，去噪算法的性能通常取决于单个输入噪声图像以及其参数设置。本文提出了一种无参考的图像去噪质量评价方法，该方法可以用于为输入的含噪图像选择具有最佳参数设置的正确去噪算法。这是一项具有挑战性的任务，因为没有地面实况可用。本文提出了一种数据驱动的方法来学习预测图像去噪质量。我们的方法是基于这样的观察，即虽然单独的现有质量指标和去噪模型不能对去噪结果进行鲁棒性排名，但它们通常是相互补充的。我们相应地基于这些现有的指标和模型设计去噪质量特征，然后使用随机森林回归将它们聚合成一个更强大的统一指标。我们对各种类型和噪声水平的图像进行的实验表明，我们的无参考去噪质量评估方法显着优于最先进的质量指标。本文还提供了一种方法，利用我们的质量评估方法自动调整输入噪声图像的去噪算法的参数设置，以产生最佳的去噪结果。
2018-10-13 cs.CV eess.IV
External Prior Guided Internal Prior Learning for Real-World Noisy Image Denoising
The Hong Kong Polytechnic University（香港理工大学）；The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））
现有的图像去噪方法大多从外部数据或含噪图像本身学习图像先验知识来去除噪声。然而，从外部数据学习的先验可能不适应于要去噪的图像，而从给定的噪声图像学习的先验可能由于被破坏的噪声的干扰而不准确。同时，真实图像中的噪声是非常复杂的，很难用高斯分布等简单分布来描述，这使得真实图像的去噪成为一个非常具有挑战性的问题。我们建议利用外部数据和给定的噪声图像中的信息，并开发一种外部先验指导的内部先验学习方法，用于现实世界的噪声图像去噪。我们首先从干净的自然图像的独立集学习外部先验。在学习的外部先验的帮助下，我们然后从给定的噪声图像中学习内部先验，以改进先验模型。外部和内部先验被配制成一组正交字典，以有效地重建所需的图像。在几个真实的噪声图像数据集上进行了大量的实验。所提出的方法表现出非常有竞争力的去噪性能，优于最先进的去噪方法，包括为现实世界的噪声图像设计的方法。
2018-10-15 cs.CV
Self-Calibrated Variance-Stabilizing Transformations for Real-World Image Denoising
CIBM Center for Biomedical Imaging（生物医学成像中心）；Biomedical Imaging Group（生物医学成像组）；Univ Rennes, Ensai, CNRS, CREST—UMR 9194（里尔大学、Ensai、CNRS、CREST—UMR 9194）
本文提出Noise2VST算法，利用方差稳定变换使高斯去噪器无需额外训练即可处理真实图像噪声，实验证明其优于现有无配对训练方法。
2025-07-09 cs.CV eess.IV
JPEG Information Regularized Deep Image Prior for Denoising
Preferred Networks, Inc.（优选网络公司）；Graduate School of Informatics, Kyoto University（京都大学信息学研究生院）
针对深度图像先验（DIP）去噪需提前停止但无干净参考图的难题，提出用复原图像的JPEG文件大小作为噪声水平代理指标实现提前停止，验证了该指标的有效性。
2023-10-02 cs.CV eess.IV
Invertible Denoising Network: A Light Solution for Real Noise Removal
Australian National University（澳大利亚国立大学）；Data61-CSIRO；OPPO US Research（OPPO美国研究院）；GSAI POSTECH（浦项科技大学GSAI）
可逆网络对于图像去噪具有各种好处，因为它们是轻量级的，信息无损的，并且在反向传播期间节省内存。然而，应用可逆模型来去除噪声是具有挑战性的，因为输入是有噪声的，而反向输出是干净的，遵循两种不同的分布。我们提出了一个可逆的去噪网络InvDN来解决这一挑战。InvDN将噪声输入转换为低分辨率的干净图像和包含噪声的潜在表示。为了丢弃噪声并恢复干净的图像，InvDN将噪声潜在表示替换为在反转期间从先验分布中采样的另一个。InvDN的去噪性能优于所有现有的竞争模型，为SIDD数据集实现了新的最先进的结果，同时节省了运行时间。此外，InvDN的大小要小得多，与最近提出的DANet相比，只有4.2%的参数数量。此外，通过操纵噪声潜在表示，InvDN还能够生成与原始噪声更相似的噪声。我们的代码可在https://github.com/Yang-Liu1082/InvDN.git上获得。
2021-04-21 cs.CV eess.IV
Deep Learning on Image Denoising: An overview
Bio-Computing Research Center, Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）生物计算研究中心）；Shenzhen Key Laboratory of Visual Object Detection and Recognition（深圳市视觉目标检测与识别重点实验室）；School of Computers, Guangdong University of Technology（广东工业大学计算机学院）；Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）；Peng Cheng Laboratory（鹏城实验室）；School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院）；Department of Electrical Engineering and the Institute of Communications Engineering, National Tsing Hua University（台湾清华大学电机工程学系与通讯工程研究所）
深度学习技术在图像去噪领域备受关注。然而，处理图像去噪的各种类型的深度学习方法存在实质性差异。具体来说，基于深度学习的判别式学习可以巧妙地解决高斯噪声的问题。基于深度学习的优化模型在估计真实噪声方面是有效的。然而，到目前为止，很少有相关的研究来总结用于图像去噪的不同深度学习技术。本文对图像去噪中的深层技术进行了比较研究。我们首先对加性白噪声图像的深度卷积神经网络（CNN）进行分类;对真实噪声图像的深度CNN;用于盲去噪的深度CNN和用于混合噪声图像的深度CNN，混合噪声图像代表了噪声，模糊和低分辨率图像的组合。然后，我们分析了不同类型的深度学习方法的动机和原理。接下来，我们在定量和定性分析方面比较了公共去噪数据集上的最新方法。最后，我们指出了一些潜在的挑战和未来的研究方向。
2020-08-03 cs.CV eess.IV
Noise2Void - Learning Denoising from Single Noisy Images
MPI-CBG（马克斯·普朗克分子细胞生物学与遗传学研究所）；PKS（普朗克系统生物学研究所）
图像去噪领域目前由区分性深度学习方法主导，这些方法在成对的噪声输入和干净的目标图像上进行训练。最近已经表明，这种方法也可以在没有干净目标的情况下进行训练。相反，可以使用独立的噪声图像对，这种方法称为Noise 2Noise（N2 N）。在这里，我们介绍了Noise 2 Void（N2 V），这是一种将这一想法更进一步的训练方案。它不需要噪声图像对，也不需要干净的目标图像。因此，N2 V允许我们直接在要去噪的数据体上进行训练，因此可以在其他方法无法应用时应用。特别有趣的是生物医学图像数据的应用程序，在那里的训练目标，干净或嘈杂的收购，往往是不可能的。我们将N2 V的性能与具有干净目标图像和/或噪声图像对的方法进行了比较。直观地说，N2 V不能被期望优于在训练期间具有更多信息的方法。尽管如此，我们还是观察到Noise 2 Void的去噪性能适度下降，并且与无训练去噪方法相比毫不逊色。
2019-04-05 cs.CV
Noise2SR: Learning to Denoise from Super-Resolved Single Noisy Fluorescence Image
ShanghaiTech University（上海科技大学）；Shanghai Jiao Tong University（上海交通大学）
荧光显微镜是促进生物医学研究发现的关键驱动力。然而，由于显微镜硬件和所观察样品的特性的限制，荧光显微图像容易受到噪声的影响。最近，已经提出了一些自监督深度学习（DL）去噪方法。然而，现有方法的训练效率和去噪性能相对较低的真实场景中的噪声去除。针对这一问题，提出了自监督图像去噪方法Noise2SR（N2SR），训练了一种简单有效的基于单噪声观测的图像去噪模型。我们的Noise2SR去噪模型旨在使用不同维度的成对噪声图像进行训练。得益于这种训练策略，Noise2SR可以更有效地进行自我监督，并能够从单个噪声观察中恢复更多的图像细节。模拟噪声和真实显微镜噪声去除的实验结果表明，Noise2SR优于两种基于盲点的自监督深度学习图像去噪方法。我们设想Noise2SR有潜力改善更多其他类型的科学成像质量。
2022-09-14 cs.CV cs.LG eess.IV
GAN2GAN: Generative Noise Learning for Blind Denoising with Single Noisy Images
Sungkyunkwan University（成均馆大学）；Yonsei University（延世大学）；Seoul National University（首尔国立大学）
我们解决了一个具有挑战性的盲图像去噪问题，其中只有单个不同的噪声图像可用于训练去噪器，并且没有关于噪声的信息是已知的，除了它是零均值，加性和独立于干净的图像。在这样的设置中，这在实践中经常发生，它是不可能的训练一个去噪与标准的判别训练或与最近开发的噪声2噪声（N2 N）的训练;前者需要为给定的噪声图像的底层干净的图像，后者需要两个独立实现的噪声图像对一个干净的图像。为此，我们提出了GAN 2GAN（Generated-Artificial-Noise to Generated-Artificial-Noise）方法，该方法首先学习生成模型，该模型可以1）模拟给定噪声图像中的噪声，2）生成干净图像的粗略噪声估计，然后3）使用从生成模型获得的后续合成噪声图像对（如N2 N）迭代训练去噪器。在结果中，我们表明，使用我们的GAN 2GAN训练的去噪器在盲去噪设置的合成和真实数据集上都实现了令人印象深刻的去噪性能;它几乎接近标准区分训练或N2 N训练模型的性能，这些模型比我们的模型具有更多的信息，并且它显著优于相同设置的最近基线，\textit{e.g.}，Noise 2 Void，还有一个更传统但更强大的BM 3D我们的方法的官方代码可在https://github.com/csm9493/GAN2GAN上获得。
2021-07-04 cs.CV cs.LG 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
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
Noisier2Noise: Learning to Denoise from Unpaired Noisy Data
Analog Devices（亚德诺半导体）
我们提出了一种用于训练神经网络执行图像去噪的方法，而无需访问干净的训练示例或访问成对的噪声训练示例。我们的方法只需要一个单一的噪声实现每个训练的例子和噪声分布的统计模型，并适用于各种各样的噪声模型，包括空间结构噪声。我们的模型产生的结果与其他需要更丰富训练数据的学习方法相比具有竞争力，并且优于传统的非学习去噪方法。我们提出了推导我们的方法为任意加性噪声，高斯加性噪声的改进，和乘法伯努利噪声的扩展。
2019-10-25 cs.CV eess.IV
C2N: Practical Generative Noise Modeling for Real-World Denoising
Seoul National University（首尔国立大学）
基于学习的图像去噪方法已经被限制在给出良好对准的噪声和干净图像的情况下，或者样本是从预定的噪声模型合成的，例如，高斯。虽然最近的生成式噪声建模方法旨在模拟真实世界噪声的未知分布，但仍然存在一些限制。在实际场景中，噪声生成器应该学会在不使用成对的噪声和干净图像的情况下模拟一般和复杂的噪声分布。然而，由于现有的方法是建立在现实世界的噪声不切实际的假设，他们往往会产生难以置信的模式，不能表达复杂的噪声地图。因此，我们引入了一个Clean-to-Noisy图像生成框架，即C2 N，来模拟复杂的真实世界的噪声，而不使用任何配对的例子。我们构造的噪声发生器在C2 N相应的每个组成部分的真实世界的噪声特性，以准确地表示广泛的噪声。结合我们的C2 N，传统的去噪CNN可以被训练成在挑战现实世界的基准测试中大幅优于现有的无监督方法。
2022-02-19 cs.CV eess.IV
An approach to image denoising using manifold approximation without clean images
Indian Institute of Technology, Bombay（孟买印度理工学院）
图像复原一直是众多领域广泛研究的课题。随着深度学习的出现，许多当前的算法被更灵活和更鲁棒的算法所取代。深度网络在盲去噪、图像增强、去模糊、超分辨率、修复等各种任务中表现出令人印象深刻的性能。大多数基于学习的算法在训练过程中使用大量干净的数据。然而，在医学图像处理中的某些应用中，人们可能无法访问大量的干净数据。在本文中，我们提出了一种去噪方法，该方法试图通过将噪声数据推到干净的数据流形附近来学习去噪过程，在训练过程中只使用噪声图像。此外，我们使用感知损失项和迭代细化步骤来进一步细化干净的图像，而不会丢失重要的特征。
2019-04-28 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
A Review of an Old Dilemma: Demosaicking First, or Denoising First?
Inner Mongolia University（内蒙古大学）；ENS Paris-Saclay（巴黎-萨克雷高等师范学院）；CNRS（法国国家科学研究中心）
图像去噪和去马赛克是数码相机流水线中最重要的早期阶段。它们构成了一个严重不适定的问题，旨在从噪声滤色器阵列（CFA）图像重建全色图像。在大多数文献中，去噪和去马赛克被视为两个独立的问题，没有考虑它们之间的相互作用，或者问应该先应用哪个。最近的几项工作已经开始在涉及重量级CNN的工作中联合解决它们，因此与低功率便携式成像设备不兼容。因此，如何结合去噪和去马赛克来重建全色图像的问题仍然非常重要：是先应用去噪，还是先去马赛克？在本文中，我们回顾了这些策略的主要变体，并进行了广泛的评估，以找到最好的方法来重建全彩色图像从嘈杂的马赛克。我们的结论是，去马赛克应首先应用，其次是去噪。然而，我们证明，这需要适应经典的去噪算法去马赛克噪声，我们证明和指定。
2020-04-24 cs.CV eess.IV
Temporal As a Plugin: Unsupervised Video Denoising with Pre-Trained Image Denoisers
Nanyang Technological University（南洋理工大学）
针对配对视频数据获取难的问题，提出将可调时序模块集成到预训练图像去噪器的TAP无监督视频去噪框架，结合渐进式微调策略，在sRGB和原始视频数据集上实现更优去噪效果。
2024-09-17 cs.CV eess.IV
Learning to Translate Noise for Robust Image Denoising
Seoul National University（首尔大学）；Meta
本文提出噪声翻译框架，通过将复杂噪声转换为高斯噪声以提升图像去噪的鲁棒性和泛化能力，采用预训练的去噪网络实现一致的去噪效果。
2026-04-02 cs.CV eess.IV
Zero-Shot Image Denoising for High-Resolution Electron Microscopy
School of Information Science and Technology, ShanghaiTech University（上海科技大学信息科学与技术学院）；Lingang Laboratory（临港实验室）；School of Physical Science and Technology, ShanghaiTech University（上海科技大学物理科学与技术学院）；School of Software, Tsinghua University（清华大学软件学院）；School of Biomedical Engineering and Institute of Medical Robotics, Shanghai Jiao Tong University（上海交通大学生物医学工程学院与医学机器人研究所）
本文提出Noise2SR零样本自监督去噪框架，通过超分辨率训练策略和随机子采样器从单张含噪HREM图像中学习去噪，性能优于现有零样本方法并接近监督方法。
2024-11-19 cs.CV eess.IV
Supervised Raw Video Denoising with a Benchmark Dataset on Dynamic Scenes
Tianjin University（天津大学）
近年来，用于实际含噪图像去噪的监督学习策略不断涌现，并取得了可喜的成果。相比之下，由于缺乏动态场景的噪声-清洁对，很少研究原始噪声视频的真实噪声去除。动态场景的清晰视频帧不能像静态图像那样使用长曝光快门或平均多张照片来捕获。在本文中，我们解决了这个问题，通过创建运动的可控对象，如玩具，并捕捉每个静态时刻多次生成干净的视频帧。通过这种方式，我们构建了一个包含55组ISO值范围从1600到25600的噪声干净视频的数据集。据我们所知，这是第一个具有噪声-干净对的动态视频数据集。相应地，我们提出了一个原始视频去噪网络（RViDeNet），通过探索视频帧的时间，空间和通道相关性。由于原始视频具有拜耳模式，我们将其打包成四个子序列，即RGBG序列，分别由建议的RViDeNet去噪，最后融合成一个干净的视频。此外，我们的网络不仅输出原始去噪结果，还通过图像信号处理（ISP）模块输出sRGB结果，这使用户能够使用他们最喜欢的ISP生成sRGB结果。实验结果表明，我们的方法优于国家的最先进的视频和原始图像去噪算法在室内和室外视频。
2020-03-31 cs.CV cs.LG eess.IV
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
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
Unsupervised Image Denoising with Frequency Domain Knowledge
基于监督学习的方法可以产生强大的去噪结果，但它们本质上受到大规模干净/嘈杂配对数据集的限制。另一方面，使用无监督去噪器需要更详细地了解底层图像统计。特别地，众所周知，干净图像和有噪声图像之间的明显差异在高频段上最突出，证明了使用低通滤波器作为常规图像预处理步骤的一部分是合理的。然而，大多数基于学习的去噪方法仅利用来自空间域的单侧信息，而不考虑频域信息。为了解决这个问题，在这项研究中，我们提出了一种频率敏感的无监督去噪方法。为此，生成对抗网络（GAN）被用作基础结构。随后，我们包括频谱重构和频率重构损失，以将频率知识转移到生成器中。使用自然和合成数据集的结果表明，我们用频率信息增强的无监督学习方法实现了最先进的去噪性能，这表明频域信息可能是提高基于无监督学习方法的整体性能的可行因素。
2021-11-29 cs.CV eess.IV
Identifying Recurring Patterns with Deep Neural Networks for Natural Image Denoising
Washington University in St. Louis（圣路易斯华盛顿大学）
图像去噪方法必须隐式或显式地有效地对自然图像中出现的各种图案和纹理进行建模。这是具有挑战性的，即使对于利用深度神经网络训练回归以从噪声输入中清除图像的现代方法。一种方法是依靠“内部”图像统计，通过在输入图像本身中搜索类似的模式。在这项工作中，我们提出了一种用于自然图像去噪的新方法，该方法训练深度神经网络来确定噪声图像输入中的补丁是否具有共同的潜在模式。给定一对有噪声的补丁，我们的网络预测原始无噪声补丁的不同子带系数是否相似。去噪算法然后聚合匹配的系数以获得干净图像的初始估计。最后，该估计值与原始噪声图像一起作为输入提供给标准的基于回归的去噪网络。实验表明，我们的方法实现了最先进的彩色图像去噪性能，包括一个盲版本，该版本针对一系列噪声水平训练一个通用模型，并且不需要了解输入图像中的噪声水平。我们的方法在使用有限的训练数据进行训练时也具有明显的优势。
2019-12-10 cs.CV
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
Flexible Image Denoising with Multi-layer Conditional Feature Modulation
Harbin Institute of Technology（哈尔滨工业大学）
对于灵活的非盲图像去噪，现有的深度网络通常将噪声图像和噪声水平图两者作为输入，以单个模型处理各种噪声水平。然而，在这种解决方案中，噪声方差（即，噪声水平）仅用于利用逐通道移位来调制第一层卷积特征，这在平衡噪声去除和细节保留方面受到限制。在本文中，我们提出了一种新的灵活的图像去噪网络（CFMNet）配备了多层条件特征调制（CFM）模块的U-Net骨干。与仅在第一层中进行信道移位相比，CFMNet可以通过部署多层CFM来更好地利用噪声水平信息。此外，每个CFM模块都将噪声图像和噪声水平图的卷积特征作为输入，以便在噪声去除和细节保留之间进行更好的权衡。实验结果表明，我们的CFMNet是有效的利用噪声水平信息灵活的非盲去噪，并表现出优于现有的深度图像去噪方法在定量指标和视觉质量。
2020-06-24 cs.CV eess.IV
Toward Convolutional Blind Denoising of Real Photographs
Harbin Institute of Technology（哈尔滨工业大学）；The Hong Kong Polytechnic University（香港理工大学）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；Peng Cheng Laboratory（鹏城实验室）
虽然深度卷积神经网络（CNN）在加性高斯白噪声（AWGN）图像去噪方面取得了令人印象深刻的成功，但它们的性能在现实世界的嘈杂照片上仍然有限。其主要原因是，他们的学习模型很容易过拟合简化的AWGN模型，严重偏离了复杂的现实世界的噪声模型。为了提高深度CNN去噪器的泛化能力，我们建议使用更真实的噪声模型和真实世界的噪声-干净图像对来训练卷积盲去噪网络（CBDNet）。一方面，考虑信号相关噪声和相机内信号处理流水线来合成真实的噪声图像。另一方面，真实世界的嘈杂照片和它们几乎没有噪音的对应物也被包括在内，以训练我们的CBDNet。为了进一步提供一种交互式策略来方便地校正去噪结果，将具有非对称学习的噪声估计子网络嵌入到CBDNet中，以抑制噪声水平的低估。在三个真实噪声照片数据集上的广泛实验结果清楚地表明，CBDNet在定量指标和视觉质量方面优于最先进的技术。该守则已在https://github.com/GuoShi28/CBDNet上公布。
2019-04-19 cs.CV
A GA based Window Selection Methodology to Enhance Window based Multi wavelet transformation and thresholding aided CT image denoising technique
Bhaskar Engineering College（巴斯卡尔工程学院）
图像去噪越来越重要，特别是在计算机断层扫描（CT），这是一个重要的和最常见的模式，在医学成像。这主要是因为CT图像的质量决定了临床诊断的有效性。基于窗口的多小波变换和阈值法对CT图像进行去噪，取得了较好的去噪效果，但在窗口多小波变换和阈值法的去噪过程中，存在着窗口选择不合理的问题。通常，复制噪声图像的窗口更接近原始噪声图像的每个窗口是通过依次检查它们来获得的。这导致错过非常接近的窗口的可能性，因此在去噪技术的上述过程中需要增强。在本文中，我们提出了一个基于遗传算法的窗口选择方法，包括去噪技术。借助于基于遗传算法的窗口选择方法，以有效的方式提取与原始含噪图像的每个窗口非常接近的复制含噪图像的窗口。通过结合建议的基于遗传算法的窗口选择方法，去噪的CT图像进行有效的。最后，去噪技术与建议的基于遗传算法的窗口选择方法之间的比较。
2010-03-09 cs.CV
Joint Image Compression and Denoising via Latent-Space Scalability
Simon Fraser University（西蒙弗雷泽大学）
当涉及到数码相机中的图像压缩时，传统上在压缩之前执行去噪。然而，在某些应用中，图像噪声可能是证明图像可信度所必需的，例如法庭证据和图像取证。这意味着除了干净的图像本身之外，噪声本身也需要被编码。在本文中，我们提出了一个基于学习的图像压缩框架，其中图像去噪和压缩联合执行。图像编解码器的潜在空间以可缩放的方式组织，使得可以从潜在空间的子集（基本层）解码干净图像，而以更高的速率从整个潜在空间解码有噪声图像。使用去噪图像的潜在空间的子集允许以较低的速率执行去噪。除了提供含噪输入图像的可缩放表示之外，联合执行去噪和压缩具有直观的意义，因为噪声难以压缩;因此，可压缩性是可以帮助区分噪声和信号的标准之一。所提出的编解码器与已建立的压缩和去噪基准进行比较，实验表明，与最先进的编解码器和最先进的去噪器的级联组合相比，可以节省相当多的比特率。
2022-09-05 cs.CV eess.IV
Blind Image Denoising via Dependent Dirichlet Process Tree
The Chinese University of Hong Kong（香港中文大学）；Tianjin University（天津大学）
现有的图像去噪方法大多假设噪声为均匀白高斯分布，且噪声强度已知。然而，在真实的噪声图像中，噪声模型通常是事先未知的，并且可能要复杂得多。本文针对这一问题，提出了一种新的盲图像去噪算法，在未知噪声模型的情况下，从含噪图像中恢复出干净的图像。为了模拟图像的经验噪声，我们的方法引入了高斯分布的混合，这是足够灵活的近似不同的连续分布。将盲图像去噪问题转化为一个学习问题。该方法首先对噪声斑块建立两层结构模型，将清洁斑块作为潜变量。为了控制噪声斑块模型的复杂性，本文提出了一种新的贝叶斯非参数先验，称为“依赖Dirichlet过程树”来构建模型。然后，本研究推导出一个变分推理算法来估计模型参数和恢复干净的补丁。我们将我们的方法应用于合成和真实的噪声图像与不同的噪声模型。与以前的方法相比，我们取得了更好的性能。实验结果表明，该算法的效率，以应付实际的图像去噪任务。
2016-01-13 cs.CV stat.ML
FSID: Fully Synthetic Image Denoising via Procedural Scene Generation
Meta Reality Labs（元宇宙现实实验室）
对于低级计算机视觉和图像处理ML任务，在大型数据集上进行训练对于泛化至关重要。然而，依赖于主要来自互联网的真实世界图像的标准实践带来了图像质量、可扩展性和隐私问题，特别是在商业环境中。为了解决这个问题，我们已经开发了一个程序化的合成数据生成管道和数据集，为低级视觉任务量身定制。我们基于Unreal引擎的合成数据管道通过随机3D对象、材质和几何变换的组合以算法方式填充大型场景。然后，我们校准的相机噪声配置文件合成的噪声图像。从这个管道中，我们生成了一个完全合成的图像去噪数据集（FSID），其中包含175，000个噪声/干净图像对。然后，我们训练并验证了一个基于CNN的去噪模型，并证明了在智能手机摄像头捕获的真实噪声图像上进行评估时，仅在此合成数据上训练的模型可以实现有竞争力的去噪结果。
2022-12-07 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
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
Polarized Color Image Denoising using Pocoformer
偏振彩色摄影在一个快照中提供了视觉纹理和物体表面信息。然而，与常规彩色成像相比，使用定向偏振滤光器阵列导致极低的光子计数和SNR。因此，该特征本质上导致令人不愉快的噪声图像并且破坏偏振分析性能。这对传统的图像处理流水线来说是一个挑战，因为通道中隐含的物理约束过于复杂。为了解决这个问题，我们提出了一种基于学习的方法，同时恢复干净的信号和精确的偏振信息。捕获成对的原始短曝光噪声和长曝光参考图像的真实世界偏振彩色图像数据集以支持基于学习的流水线。此外，我们拥抱Vision Transformer的发展，并提出了一个混合的Transformer模型的偏振彩色图像去噪，即PoCoformer，为更好的恢复性能。大量的实验验证了该方法的有效性，并对影响结果的关键因素进行了分析.
2023-03-02 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
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
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
Self2Self+: Single-Image Denoising with Self-Supervised Learning and Image Quality Assessment Loss
Hanyang University（汉阳大学）
针对监督去噪依赖含噪-清晰图像对数据集的局限，提出仅用单张含噪图像训练的Self2Self+自监督去噪方法，结合门控卷积、无参考图像质量评估损失与伯努利采样，在合成及真实数据集上均达SOTA去噪性能。
2023-07-20 cs.CV cs.LG eess.IV
Neural Affine Grayscale Image Denoising
Sungkyunkwan University（成均馆大学）
我们提出了一种新的灰度图像去噪，称为神经仿射图像去噪（神经AIDE），它利用神经网络在一个新的方式。与其他基于神经网络的图像去噪方法不同，这些方法通常应用简单的监督学习来学习从噪声补丁到干净补丁的映射，我们制定训练神经网络来学习\emph{affine}映射，该映射基于其上下文应用于噪声像素。我们的公式可以从标记的训练数据集对网络进行监督训练，并使用给定的噪声图像进行去噪，对网络参数进行自适应微调。设计Neural AIDE的关键工具是仅基于噪声数据设计仿射映射的MSE的估计损失函数。因此，我们的算法在标准基准数据集上的性能优于大多数最新的最先进的方法。此外，我们的微调方法可以很好地克服图像去噪中的块级监督学习方法的缺点之一;即，只要我们在微调步骤中具有匹配的噪声方差，就可以大部分校正具有不匹配的噪声方差的监督训练模型。
2017-09-17 cs.CV cs.LG
Seeing Through the Noisy Dark: Towards Real-world Low-Light Image Enhancement and Denoising
Hefei University of Technology（合肥工业大学）；Zhengzhou University（郑州大学）；Zhejiang University（浙江大学）；Sea AI Lab（Sea人工智能实验室）
微光图像增强（LLIE）的目的是改善照明噪声的黑暗图像的照明和可见性。为了处理真实世界中经常带有严重和复杂噪声的低光照图像，已经对联合LLIE和去噪进行了一些努力，但是这些努力只能实现较差的恢复性能。我们将其归因于两个挑战：1）在现实世界的低光照图像中，噪声在一定程度上被低光照覆盖，去噪后的剩余噪声在增强过程中将不可避免地被放大; 2）将原始数据转换为sRGB会导致信息丢失和更多的噪声，因此先前在原始数据上训练的LLIE方法不适合更常见的sRGB图像。在这项工作中，我们提出了一种新的低光增强和去噪网络，用于sRGB颜色空间中的真实世界低光图像（RLED-Net）。在RLED-Net中，我们采用了一种即插即用的可微分潜在子空间重构块（LSRB），将真实图像嵌入到低秩子空间中，以抑制噪声和纠正错误，从而有效地缩小了增强过程中噪声的影响。然后，我们提出了一个有效的交叉通道和移位窗口Transformer（CST）层，该层具有两个分支来计算窗口和通道注意力以抵抗降级（例如，斑点噪声和模糊）。在CST层的基础上，我们进一步提出了一个U型结构的网络CSTNet作为深度特征恢复的骨干，并构造了一个特征细化模块来细化最终的特征。在真实噪声图像和公共图像数据库上的大量实验很好地验证了所提出的RLED-Net对RLIE和去噪同时进行的有效性。
2022-11-15 cs.CV
Image denoising via group sparsity residual constraint
Southeast University（东南大学）
群体稀疏性在各种低层次的视觉任务（如图像去噪、去模糊和图像修复）中显示出巨大的潜力。本文提出了一种新的基于群稀疏残差约束（GSRC）的图像去噪先验模型。为了提高基于群稀疏的图像去噪性能，提出了群稀疏残差的概念，将图像去噪问题转化为降低群稀疏残差的问题。为了减少残差，首先通过对含噪图像的首通估计得到原始图像的组稀疏系数的一些较好的估计，然后将含噪图像的组稀疏系数集中到估计中。实验结果表明，该方法不仅优于许多国家的最先进的去噪方法，如BM3D和WNNM，但结果在更快的速度。
2017-03-03 cs.CV
Towards Adversarially Robust Deep Image Denoising
NUS（新加坡国立大学）；RIKEN-AIP（理化学研究所革新智能综合研究中心）；ByteDance Inc（字节跳动）；UTokyo（东京大学）
这项工作系统地研究了深度图像去噪器（DID）的对抗鲁棒性，即DID如何从对抗扰动退化的噪声观测中恢复地面真实。首先，为了评估DID的鲁棒性，我们提出了一种新的对抗性攻击，即基于观察的零均值攻击（{ \sc ObsAtk}），对给定的噪声图像进行对抗性的零均值扰动。我们发现，现有的DID容易受到{ \sc ObsAtk}生成的对抗性噪声的影响。其次，为了增强DID的鲁棒性，我们提出了一种对抗性训练策略，混合对抗性训练（{ \sc HAT}），该策略联合训练具有对抗性和非对抗性噪声数据的DID，以确保重建质量高，并且非对抗性数据周围的去噪器局部平滑。所得到的DID可以有效地去除各种类型的合成和对抗性噪声。我们还发现，DIDS的鲁棒性有利于他们的泛化能力看不见的现实世界的噪音。事实上，{ \sc HAT}训练的DID可以从真实世界的噪声中恢复高质量的干净图像，甚至无需对真实的噪声数据进行训练。在Set 68、PolyU和SIDD等基准数据集上进行的大量实验证实了{ \sc ObsAtk}和{ \sc HAT}的有效性。
2022-01-13 cs.CV cs.LG eess.IV
Positive2Negative: Breaking the Information-Lossy Barrier in Self-Supervised Single Image Denoising
School of Computer Science and Technology, Beijing Institute of Technology（北京理工大学计算机科学与技术学院）；School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院）；Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院）
针对现有自监督单图像去噪范式依赖信息损失操作导致性能受限的问题，提出Positive2Negative范式，通过RDC和DCS两步法打破信息损失壁垒，实现了自监督单图像去噪的SOTA性能与显著速度提升。
2025-03-24 cs.CV
Measuring and Controlling the Spectral Bias for Self-Supervised Image Denoising
Tsinghua University（清华大学）
针对成对噪声图像自监督去噪中高频细节丢失、易学习高频噪声的问题，提出谱控制网络SCNet，通过频带选择、Lipschitz参数约束、谱分离低秩重建模块优化去噪，实验验证了其有效性。
2025-10-01 cs.AI cs.CV
Group Sparsity Residual Constraint for Image Denoising
Nanjing University（南京大学）；Southeast University（东南大学）；University of Oulu（奥卢大学）
基于组的稀疏表示在图像去噪中显示出巨大的潜力。然而，大多数现有的方法只考虑噪声输入图像的非局部自相似性（NSS）先验。也就是说，仅从退化输入中收集相似块，这使得图像去噪的质量在很大程度上取决于输入本身。然而，这样的方法经常遭受一个共同的缺点，即去噪性能可能会随着噪声水平的增加而迅速下降。在本文中，我们提出了一种新的先验模型，称为组稀疏残差约束（GSRC）。与传统的基于组的稀疏表示去噪方法不同，GSRC中使用了两种先验，即噪声和预滤波图像的NSS先验。特别地，我们通过稀疏残差机制将这两个NSS先验信息整合在一起，从而将图像去噪的任务转化为减少组稀疏残差的问题。为此，我们首先通过预滤波得到原始图像的组稀疏系数的良好估计，然后用含噪图像的组稀疏系数来近似这个估计。为了提高非局部相似块选择的准确性，设计了一种自适应块搜索方案。此外，为了更好地融合这两个NSS先验，一个有效的迭代收缩算法来解决所提出的GSRC模型。实验结果表明，所提出的GSRC建模优于许多国家的最先进的去噪方法的客观和感知指标。
2017-07-31 cs.CV
Suppression of Correlated Noise with Similarity-based Unsupervised Deep Learning
Rensselaer Polytechnic Institute（伦斯勒理工学院）
图像去噪是许多领域下游任务的先决条件。低剂量和光子计数计算机断层扫描（CT）去噪可以在最小辐射剂量下优化诊断性能。有监督的深度去噪方法很受欢迎，但需要成对的干净或有噪声的样本，而这些样本在实践中通常是不可用的。受噪声独立性假设的限制，现有的无监督去噪方法无法处理CT图像中的相关噪声。在这里，我们提出了第一种基于相似性的无监督深度去噪方法，称为Noise2Sim，它以非局部和非线性的方式工作，不仅可以抑制独立噪声，还可以抑制相关噪声。从理论上讲，Noise2Sim在温和的条件下与监督学习方法是渐近等价的。在实验中，Nosie2Sim从噪声低剂量CT和光子计数CT图像中恢复固有特征，在视觉上，定量地和统计上与实际数据集上的监督学习方法一样有效，甚至更好。Noise2Sim是一种通用的无监督去噪方法，在各种应用中具有巨大的潜力。
2022-01-05 cs.CV cs.LG 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
Linear Combinations of Patches are Unreasonably Effective for Single-Image Denoising
Centre Inria de l’Université de Rennes（雷恩大学国立计算机与自动化研究院中心）；Inserm U1143（法国国家健康与医学研究院U1143单元）；Institut Curie（居里研究所）；PSL University（巴黎文理研究大学）
针对深度学习图像去噪过度依赖训练数据的问题，提出基于图块线性组合的单图像去噪方法，利用引导图像进行二次风险近似估计权重，性能媲美最优单图像去噪器，且速度更快、完全可解释。
2024-08-23 cs.CV
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
Multi-scale Processing of Noisy Images using Edge Preservation Losses
BIU（巴伊兰大学）
噪声图像处理是计算机视觉的一项基本任务。第一个例子是检测噪声图像中的微弱边缘，这是过去几十年来研究的一个具有挑战性的问题。最近的一项研究介绍了一种快速的方法来检测微弱的边缘在所有现有的方法中的最高精度。它们的复杂性在图像的像素中几乎是线性的，并且对于有噪声的图像，它们的运行时间是秒。他们的方法利用图像的多尺度二进制分区。通过利用多尺度U-网结构，本文表明，他们的方法可以显着提高在运行时间和精度两个方面。通过在二值图像数据集上训练网络，我们开发了一种在线性复杂度下工作的微弱边缘检测方法。在GPU上，我们的噪声图像的运行时间是毫秒。尽管我们的方法快了几个数量级，但在许多具有挑战性的场景下，我们仍然实现了更高的检测精度。此外，我们表明，我们的方法来执行多尺度预处理的噪声图像使用U-网提高了执行其他视觉任务的能力下存在的噪声。我们证明了它的问题上的噪声对象分类和经典的图像去噪。我们表明，多尺度去噪可以进行一种新的边缘保护损失。实验结果表明，该算法在微弱边缘检测、含噪图像分类和自然图像去噪三个方面都取得了较好的效果。
2019-03-21 cs.CV
Test-time Adaptation for Real Image Denoising via Meta-transfer Learning
Korea Advanced Institute of Science and Technology（韩国科学技术院）
近年来，对真实图像去噪任务进行了大量的研究。然而，这些努力更多地集中在通过创建更好的网络架构来改善真实图像去噪。我们探索了一个不同的方向，我们提出通过更好的学习策略来提高真实图像去噪性能，该策略可以在多任务网络上实现测试时自适应。学习策略分为两个阶段，第一阶段使用元辅助学习对网络进行预训练，以获得更好的元初始化。同时，我们使用元学习对网络进行微调（Meta迁移学习），作为我们训练的第二阶段，以实现对真实噪声图像的测试时自适应。为了利用更好的学习策略，我们还提出了一种具有自监督掩码重建损失的网络架构。在一个真实的噪声数据集上的实验表明，该方法的贡献，并表明该方法可以优于其他SOTA方法。
2022-07-05 cs.CV
Deep Semantic Statistics Matching (D2SM) Denoising Network
Johns Hopkins University（约翰斯·霍普金斯大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
图像复原的最终目的是找到清晰图像域和噪声域之间的精确相关性。但是端到端去噪学习的优化（如像素损失）是以样本到样本的方式进行的，这忽略了图像的内在相关性，特别是语义。本文介绍了深度语义统计匹配（D2SM）去噪网络。它利用预训练的分类网络的语义特征，然后隐式地匹配语义特征空间中清晰图像的概率分布。通过学习保持去噪图像的语义分布，我们根据经验发现我们的方法显着提高了网络的去噪能力，并且去噪结果可以被高级视觉任务更好地理解。在有噪声的Cityscapes数据集上进行的综合实验表明，该方法在去噪性能和语义分割准确性方面都具有优越性。此外，我们的扩展任务，包括超分辨率和去雾实验观察到的性能改善显示其作为一个新的通用即插即用组件的潜力。
2022-07-19 cs.CV
Multi-channel Weighted Nuclear Norm Minimization for Real Color Image Denoising
The Hong Kong Polytechnic University（香港理工大学）；Xidian University（西安电子科技大学）
现有的去噪算法大多是针对灰度图像开发的，而将其扩展到彩色图像去噪则不是一件简单的工作，因为真实噪声图像的R、G、B通道的噪声统计特性可能会有很大的不同。在本文中，我们提出了一个多通道（MC）的优化模型下的加权核范数最小化（WNNM）的框架下，真正的彩色图像去噪。我们连接RGB补丁，以利用通道冗余，并引入一个权重矩阵，以平衡的数据保真度的三个通道，考虑到他们不同的噪声统计。所提出的MC-WNNM模型没有解析解。我们将其转化为一个线性等式约束问题，并用交替方向乘子法求解。每一步交替更新都有封闭解，且能保证收敛性。在合成和真实噪声图像数据集上的大量实验证明了所提出的MC-WNNM比最先进的去噪方法的优越性。
2018-12-18 cs.CV
