admin管理员组

文章数量:814256

每日一篇论文推荐

每日一篇论文推荐

  • 7.5 Unsupervised Hyperspectral Denoising Based on Deep Image Prior and Least Favorable Distribution
  • 7.6 WINNet: Wavelet-Inspired Invertible Network for Image Denoising 结合小波,值得学习
  • 7.8 D2HNet: Joint Denoising and Deblurring with Hierarchical Network for Robust Night Image Restoration 商汤 ECCV2022
  • 7.9 Image Denoising in the Deep Learning Era 最新很全面的综述
  • 7.11 Variational Deep Image Restoration

7.5 Unsupervised Hyperspectral Denoising Based on Deep Image Prior and Least Favorable Distribution

摘要:最近,据报道,卷积神经网络(CNN)是深度图像先验(DIP)使用的核心元素,能够捕获图像统计特征,而无需训练,即盲恢复干净的图像。然而,在HSI中,DIP和最先进的方法(例如,低秩模型)之间存在一些性能差距。通过将由稳健统计中最不利分布推导的Huber损失函数(HLF)应用于DIP,我们提出了一种新的无监督去噪算法,称为HLF-DIP,无需预训练,且不涉及任何正则化器。

话说下面这个图画得太不易懂了…一堆字母…

7.6 WINNet: Wavelet-Inspired Invertible Network for Image Denoising 结合小波,值得学习

摘要:在本文中,我们提出了一种基于小波的可逆网络(WINNet),将基于小波的方法和基于学习的方法的优点结合起来。所提出的WINNet由K-尺度提升启发可逆神经网络(LINNs)和稀疏驱动去噪网络以及噪声估计网络组成。LINNs的网络架构受到小波提升方案的启发。LINNs用于学习具有完美重建特性的非线性冗余变换,以便于噪声去除。去噪网络实现了用于去噪的稀疏编码过程。噪声估计网络从输入图像中估计噪声水平,用于自适应调整LINNs中的软阈值。LINNs的正向变换产生了用于去噪的冗余多尺度表示。使用具有去噪细节通道和原始粗通道的LINNs的逆变换重构去噪图像。





代码:

7.8 D2HNet: Joint Denoising and Deblurring with Hierarchical Network for Robust Night Image Restoration 商汤 ECCV2022

摘要:为了利用连续长曝光和短曝光图像中的信息,我们提出了一种基于学习的管道来融合它们。开发了一种D2HNet框架,通过在短曝光图像的引导下对长曝光图像进行去模糊和增强来恢复高质量图像。为了缩小域间隙,我们利用了一种两阶段去模糊增强网络架构,该架构在固定的低分辨率上执行精确的模糊消除,以便能够处理不同分辨率输入中的大范围模糊。此外,我们从高清视频中合成了一个D2数据集,并对其进行了实验。



代码:

7.9 Image Denoising in the Deep Learning Era 最新很全面的综述

摘要:本文旨在全面综述基于深度神经网络的图像去噪技术的最新进展。在此过程中,我们首先全面描述了图像去噪问题的基本准备工作,然后重点介绍了基准数据集和广泛使用的客观评估指标。随后,我们研究了监督和非监督类别中现有的深度去噪器,并回顾了每个类别中一些代表性方法的技术细节。最后但并非最不重要的一点是,我们通过评论在开发更好的最先进算法和未来研究方面的趋势和挑战来总结分析。



Raw/Real Denoising文献:





Burst Denoising文献:



未来方向:

  1. 理论分析。现有的基于DL的图像去噪工作大多缺乏支持设计选择的理论基础。特别是,所提出的方法通常主要由直觉设计,并在基准数据集上进行经验评估。在深度学习时代,通过在结构设计、损失函数甚至训练策略方面建立坚实的理论基础,弥合传统图像去噪技术与神经网络之间的差距具有极其重要的意义。
  2. 普适性和鲁棒性。本文提到的普适性有两个方面:针对1)不同类型的噪声和2)相同类型的噪声的不同强度的去噪算法的泛化。在所研究的去噪算法中,大多数算法针对统计分布及其参数表示的不同噪声强度和噪声类型训练不同的网络。然而,在实践中,来自场景的许多外部因素和/或来自摄像机的内部参数可以动态地影响噪声的性质。因此,提高模型对各种噪声特性的鲁棒性具有重要意义。
  3. 可解释性。基于DL的去噪方法继承了深度学习模型的黑盒特性,通常旨在在基准数据集上达到更高的性能,而忽略了学习表示和结果的可解释性。我们认为,文献需要更彻底的努力,通过说明为什么发现的设置和设计表现更好,使模型对人类更透明。 (似乎跟第一点重复)
  4. 计算效率。由于基于DL的去噪研究一直专注于提高最先进的水平,基准数据集的逐步改进与网络复杂性、功耗和执行时间的增加相关。因此,这种强大的去噪模型可能不一定足够有效,无法在现实世界中直接部署。例如,智能手机ISP和其他计算能力有限的嵌入式设备需要高效快速的实时执行模型,其中一个重要的使用案例是去噪算法。因此,改善基于DL的去噪方法的计算负担,使其与现有的实际计算受限硬件和软件更兼容,是一个及时但富有挑战性的课题。

7.11 Variational Deep Image Restoration

摘要:与以前的方法不同,我们更多地关注基于贝叶斯观点的恢复目标以及如何重新表述目标。具体来说,我们的方法将原始后验推理问题松弛为更易于管理的子问题,因此表现为分而治之的方案。因此,与以前的恢复问题相比,该框架提高了几个恢复问题的性能。具体来说,我们的方法在高斯去噪、真实世界降噪、盲图像超分辨率和JPEG压缩伪影减少方面提供了最先进的性能。




代码:

总结:具体来说,我们基于提出的隐变量 c c c重新构造了低质量/高质量图像的联合分布,这带来了两个推理问题。然后,我们引入了一个变分下限来近似隐变量的推理问题。利用我们的变分下界,可以简化原始推理问题并将其划分为单独的子问题。我们的变分下限同时包含恢复目标和重建目标,这是低质量图像的生成模型。因此,复杂低质量图像流形的嵌入信息起到了附加先验信息的作用。我们还为推理问题提出了三个参数化CNN,并表明我们的方法在多个图像恢复任务中实现了最先进的性能,同时需要适度的模型容量。

本文标签: 每日一篇论文推荐