CN110610467A - 一种基于深度学习的多帧视频去压缩噪声方法 - Google Patents

一种基于深度学习的多帧视频去压缩噪声方法 Download PDF

Info

Publication number
CN110610467A
CN110610467A CN201910861015.XA CN201910861015A CN110610467A CN 110610467 A CN110610467 A CN 110610467A CN 201910861015 A CN201910861015 A CN 201910861015A CN 110610467 A CN110610467 A CN 110610467A
Authority
CN
China
Prior art keywords
image
frame
images
noise
denoising
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910861015.XA
Other languages
English (en)
Other versions
CN110610467B (zh
Inventor
徐烂烂
陈梅丽
谢亚光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dang Hong Polytron Technologies Inc
Original Assignee
Hangzhou Dang Hong Polytron Technologies Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dang Hong Polytron Technologies Inc filed Critical Hangzhou Dang Hong Polytron Technologies Inc
Priority to CN201910861015.XA priority Critical patent/CN110610467B/zh
Publication of CN110610467A publication Critical patent/CN110610467A/zh
Application granted granted Critical
Publication of CN110610467B publication Critical patent/CN110610467B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)
  • Picture Signal Circuits (AREA)

Abstract

本发明公开了一种基于深度学习的多帧视频去压缩噪声方法。本发明基于深度学习技术，提出了一个多帧视频去压缩噪声的模型，模型的输入是连续的多帧噪声图像，经过预去噪、运动补偿、图像增强模块，学习中间帧的残差噪声，得到较好的去噪图像。本发明的有益效果是：利用相邻帧包含的信息，通过运动补偿技术，提高去噪性能；通过预去噪，预先有效地去除一些严重的噪声，提高后续的去噪性能。

Description

一种基于深度学习的多帧视频去压缩噪声方法
技术领域
本发明涉及图像处理相关技术领域，尤其是指一种基于深度学习的多帧视频去压缩噪声方法。
背景技术
在现实生活中，图像的数字化和传输过程中常受到成像设备和外部环境噪声干扰等影响，导致获取的图像质量下降。但是在很多图像应用领域，对图像质量的要求非常高。比如视频在压缩之后画质下降，而且压缩方式、压缩的比特率和视频的内容等因素都会使图像产生不同的噪声，阻碍人们对视频内容的理解。目前大部分去噪算法都是针对单帧图像，这样的方法忽略了相邻帧中包含的信息，因此它们的性能在很大程度上受到了限制。
近些年，随着深度学习技术的不断发展，卷积神经网络(CNNs)在计算机视觉方向受到了广泛的关注，并取得了显著的效果。在图像、视频处理领域，CNNs也做出了巨大贡献。但是，现有的对多帧视频去噪的研究较少，最相近的研究是多帧视频超分。在多帧视频超分算法中，常用的模块包括运动补偿和超分。借鉴多帧超分算法，将运动补偿模块应用于视频去噪。然而，由于模型的输入是含有噪声的多帧图像，使得网络学习到的运动估计存在失真，导致不正确的运动补偿，无法得到较好的去噪结果。
发明内容
本发明是为了克服现有技术中存在上述的不足，提供了一种能够有效提升去噪性能的基于深度学习的多帧视频去压缩噪声方法。
为了实现上述目的，本发明采用以下技术方案：
一种基于深度学习的多帧视频去压缩噪声方法，具体包括如下步骤：
(1)准备数据：构建数据集，获得噪声图像，将连续的3帧噪声图像作为一组，对每组图像进行图像块采样，模型的输入由这些图像块组成；
(2)预去噪模块PreDenoise的设计：构造了一个预去噪模块PreDenoise，具体包含：3D卷积层+BatchNorm层+ReLU激活层为一组共4个，以及3D卷积层+ReLU激活层为一组共2个；
(3)运动补偿模块MC的设计：由于多帧图像处理思想相同，故采用超分MFQE中的运动补偿子网络进行运动补偿；
(4)图像增强模块Enhance的设计：构造了一个基于残差模块ResBlock的图像增强模块，具体有1个拼接层，1个卷积层，6个ResBlock模块，2个卷积层，1个ADD层；
(5)将步骤(2)、步骤(3)和步骤(4)的模块连接起来构成多帧图像去噪模型，同时训练这3个模块。
针对单帧图像去噪算法没有利用到前后帧图像中的信息，本发明提出基于深度学习的多帧图像去噪模型，利用相邻帧包含的信息，通过运动补偿技术，提高去噪性能。考虑到多帧图像的去噪和超分思想的相似性，将多帧图像超分算法的运动补偿应用于多帧图像去噪模型中。由于图像存在噪声，使得运动补偿模块无法正确学习，本发明提出预去噪模块，通过预去噪，预先有效地去除一些严重的噪声，提高后续的去噪性能。本发明基于深度学习技术，提出了一个多帧视频去压缩噪声的模型，模型的输入是连续的多帧噪声图像，经过预去噪、运动补偿、图像增强模块，学习中间帧的残差噪声，得到较好的去噪图像。
作为优选，在步骤(1)中，具体操作步骤如下：
(11)数据集由不同内容的清晰短视频组成，每个视频有若干帧图像，由于模型需要的数据是连续的多帧图像，因此将每帧图像以PNG格式保存下来，作为噪声图像的标签，而噪声图像是将清晰视频按不同压缩方式进行压缩后，再将每帧图像以PNG格式保存下来；
(12)将连续的3帧噪声图像作为一组，对每组图像进行图像块采样，图像块大小为128*128*3，为了增大数据集，每组图像随机采样5组图像块，即组内每张图像采样位置相同的5个图像块，模型的输入由这些图像块组成，而输入数据对应的标签是由中间帧即第2帧对应的清晰图像取与输入图像块位置相同的5个图像块组成。
作为优选，在步骤(11)中，数据集由250个不同内容的清晰短视频组成，包括动画、电影、运动等场景，每个视频有50帧图像，分辨率是1920*1080；其中压缩方式是按H264标准的量化参数QP分别为20、30、40和按MPEG标准的量化参数QP分别为20、30、40，共6种压缩方式。
作为优选，在步骤(2)中，3D卷积层的内核大小均为3*3*3，填充模式是SAME，除了最后一个卷积层的内核数量为3，其余数量均为64，且卷积步长均为1，该模块的输入是It-1,It,It+1，输出是I′t-1,I′t,I′t+1。
作为优选，在步骤(3)中，具体为：将经过预去噪模块得到的连续3帧图像I′t-1,I′t,I′t+1分成两组：I′t-1,I′t和I′t,I′t+1，分别进行运动补偿，得到补偿后的图像
作为优选，在步骤(4)中，残差模块ResBlock依次由1个2D卷积层、1个ReLU激活层、1个2D卷积层构成，其中：2D卷积层的内核大小均为3*3，除了最后一个卷积层的内核数量为3，其余卷积层的内核数量均为64，且卷积步长均为1。
作为优选，在步骤(4)中，输入是经过运动补偿后的前后帧和预去噪后的中间帧I′t，输出是中间帧的去噪结果。
作为优选，在步骤(5)中，具体包括如下步骤：
(51)获得损失函数：其中，表示噪声图像It对应的清晰图像，表示经过多帧图像去噪模型的去噪图像，|g|表示L1范数；
(52)训练参数：设置训练参数，初始学习率设为10-3，训练迭代次数设定为150个epoch，每训练10个epoch，学习率降1/10，优化算法采用Adam算法。
本发明的有益效果是：基于深度学习技术，提出了一个多帧视频去压缩噪声的模型，模型的输入是连续的多帧噪声图像，经过预去噪、运动补偿、图像增强模块，学习中间帧的残差噪声，得到较好的去噪图像，利用相邻帧包含的信息，通过运动补偿技术，提高去噪性能，通过预去噪，预先有效地去除一些严重的噪声，提高后续的去噪性能。
附图说明
图1是本发明的方法流程图；
图2是本发明预去噪模块PreDenoise的结构图；
图3是本发明运动补偿模块MC的结构图；
图4是本发明图像增强模块Enhance的结构图；
图5是本发明残差模块ResBlock的结构图。
图中：PreDenoise表示预去噪模块，MC表示运动补偿模块，Enhance表示图像增强模块，Conv3D表示3D卷积层，BN表示BatchNorm层，ReLU表示ReLU激活层，First ME、SecondME、Third ME是三个运动估计(Motion Estimation，ME)子网络，Concate表示拼接层，ResBlock表示残差模块，Conv表示2D卷积层，表示像素相加层，XL表示残差模块ResBlock的输入，XL+1表示残差模块ResBlock的输出。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步的描述。
如图1所述的实施例中，一种基于深度学习的多帧视频去压缩噪声方法，具体包括如下步骤：
(1)准备数据：构建数据集，获得噪声图像，将连续的3帧噪声图像作为一组，对每组图像进行图像块采样，模型的输入由这些图像块组成。
具体操作步骤如下：
(11)数据集由不同内容的清晰短视频组成，每个视频有若干帧图像，由于模型需要的数据是连续的多帧图像，因此将每帧图像以PNG格式保存下来，作为噪声图像的标签，而噪声图像是将清晰视频按不同压缩方式进行压缩后，再将每帧图像以PNG格式保存下来。
其中：数据集由250个不同内容的清晰短视频组成，包括动画、电影、运动等场景，每个视频有50帧图像，分辨率是1920*1080。其中：压缩方式是按H264标准的量化参数QP分别为20、30、40和按MPEG标准的量化参数QP分别为20、30、40，共6种压缩方式。
(12)将连续的3帧噪声图像作为一组，对每组图像进行图像块采样，图像块大小为128*128*3，为了增大数据集，每组图像随机采样5组图像块，即组内每张图像采样位置相同的5个图像块，模型的输入由这些图像块组成，而输入数据对应的标签是由中间帧即第2帧对应的清晰图像取与输入图像块位置相同的5个图像块组成。
(2)预去噪模块PreDenoise的设计：构造了一个预去噪模块PreDenoise，具体包含：3D卷积层+BatchNorm层+ReLU激活层为一组共4个，以及3D卷积层+ReLU激活层为一组共2个，如图2所示；3D卷积层的内核大小均为3*3*3，填充模式是SAME，除了最后一个卷积层的内核数量为3，其余数量均为64，且卷积步长均为1，该模块的输入是It-1,It,It+1，输出是I′t-1,I′t,I′t+1。
(3)运动补偿模块MC的设计：由于多帧图像处理思想相同，故采用超分MFQE中的运动补偿子网络进行运动补偿，网络结构如图3所示，其中，I′t-1,I′t是经过预去噪模块得到的图像，First ME、Second ME、Third ME是三个运动估计(Motion Estimation，ME)子网络，通过它们分别可以得到运动估计矢量(Motion Vector)V1,V2,V3，根据V1,V2,V3分别对I′t-1进行补偿，得到补偿后的图像是I′t-1最终的补偿结果。具体为：将经过预去噪模块得到的连续3帧图像I′t-1,I′t,I′t+1分成两组：I′t-1,I′t和I′t,I′t+1，分别进行运动补偿，得到补偿后的图像
具体的网络参数如表1所示：
表1
其中，Conv k5-n24-s2/ReLU表示2D卷积层后再ReLU激活层，卷积层内核大小(k)为5*5，内核数量(n)为24，步长(s)为2。Sub-pixel upscale×4表示亚像素上采样层，倍数是4。
(4)图像增强模块Enhance的设计：构造了一个基于残差模块ResBlock的图像增强模块，具体有1个拼接层，1个卷积层，6个ResBlock模块，2个卷积层，1个ADD层，如图4所示，将在第3维度进行拼接；残差模块ResBlock依次由1个2D卷积层、1个ReLU激活层、1个2D卷积层构成，如图5所示，其中：2D卷积层的内核大小均为3*3，除了最后一个卷积层的内核数量为3，其余卷积层的内核数量均为64，且卷积步长均为1。输入是经过运动补偿后的前后帧和预去噪后的中间帧I′t，输出是中间帧的去噪结果。
(5)将步骤(2)、步骤(3)和步骤(4)的模块连接起来构成多帧图像去噪模型，同时训练这3个模块。
具体包括如下步骤：
(51)获得损失函数：其中，表示噪声图像It对应的清晰图像，表示经过多帧图像去噪模型的去噪图像，|g|表示L1范数；
(52)训练参数：设置训练参数，初始学习率设为10-3，训练迭代次数设定为150个epoch，每训练10个epoch，学习率降1/10，优化算法采用Adam算法。
针对单帧图像去噪算法没有利用到前后帧图像中的信息，本发明提出基于深度学习的多帧图像去噪模型，利用相邻帧包含的信息，通过运动补偿技术，提高去噪性能。考虑到多帧图像的去噪和超分思想的相似性，将多帧图像超分算法的运动补偿应用于多帧图像去噪模型中。由于图像存在噪声，使得运动补偿模块无法正确学习，本发明提出预去噪模块，通过预去噪，预先有效地去除一些严重的噪声，提高后续的去噪性能。本发明基于深度学习技术，提出了一个多帧视频去压缩噪声的模型，模型的输入是连续的多帧噪声图像，经过预去噪、运动补偿、图像增强模块，学习中间帧的残差噪声，得到较好的去噪图像。

Claims (8)

1.一种基于深度学习的多帧视频去压缩噪声方法，其特征是，具体包括如下步骤：
(1)准备数据：构建数据集，获得噪声图像，将连续的3帧噪声图像作为一组，对每组图像进行图像块采样，模型的输入由这些图像块组成；
(2)预去噪模块PreDenoise的设计：构造了一个预去噪模块PreDenoise，具体包含：3D卷积层+BatchNorm层+ReLU激活层为一组共4个，以及3D卷积层+ReLU激活层为一组共2个；
(3)运动补偿模块MC的设计：由于多帧图像处理思想相同，故采用超分MFQE中的运动补偿子网络进行运动补偿；
(4)图像增强模块Enhance的设计：构造了一个基于残差模块ResBlock的图像增强模块，具体有1个拼接层，1个卷积层，6个ResBlock模块，2个卷积层，1个ADD层；
(5)将步骤(2)、步骤(3)和步骤(4)的模块连接起来构成多帧图像去噪模型，同时训练这3个模块。
2.根据权利要求1所述的一种基于深度学习的多帧视频去压缩噪声方法，其特征是，在步骤(1)中，具体操作步骤如下：
(11)数据集由不同内容的清晰短视频组成，每个视频有若干帧图像，由于模型需要的数据是连续的多帧图像，因此将每帧图像以PNG格式保存下来，作为噪声图像的标签，而噪声图像是将清晰视频按不同压缩方式进行压缩后，再将每帧图像以PNG格式保存下来；
(12)将连续的3帧噪声图像作为一组，对每组图像进行图像块采样，图像块大小为128*128*3，为了增大数据集，每组图像随机采样5组图像块，即组内每张图像采样位置相同的5个图像块，模型的输入由这些图像块组成，而输入数据对应的标签是由中间帧即第2帧对应的清晰图像取与输入图像块位置相同的5个图像块组成。
3.根据权利要求2所述的一种基于深度学习的多帧视频去压缩噪声方法，其特征是，在步骤(11)中，数据集由250个不同内容的清晰短视频组成，包括动画、电影、运动等场景，每个视频有50帧图像，分辨率是1920*1080；其中压缩方式是按H264标准的量化参数QP分别为20、30、40和按MPEG标准的量化参数QP分别为20、30、40，共6种压缩方式。
4.根据权利要求1所述的一种基于深度学习的多帧视频去压缩噪声方法，其特征是，在步骤(2)中，3D卷积层的内核大小均为3*3*3，填充模式是SAME，除了最后一个卷积层的内核数量为3，其余数量均为64，且卷积步长均为1，该模块的输入是It-1,It,It+1，输出是I′t-1,I′t,I′t+1。
5.根据权利要求4所述的一种基于深度学习的多帧视频去压缩噪声方法，其特征是，在步骤(3)中，具体为：将经过预去噪模块得到的连续3帧图像I′t-1,I′t,I′t+1分成两组：I′t-1,I′t和I′t,It'+1，分别进行运动补偿，得到补偿后的图像
6.根据权利要求1或5所述的一种基于深度学习的多帧视频去压缩噪声方法，其特征是，在步骤(4)中，残差模块ResBlock依次由1个2D卷积层、1个ReLU激活层、1个2D卷积层构成，其中：2D卷积层的内核大小均为3*3，除了最后一个卷积层的内核数量为3，其余卷积层的内核数量均为64，且卷积步长均为1。
7.根据权利要求5所述的一种基于深度学习的多帧视频去压缩噪声方法，其特征是，在步骤(4)中，输入是经过运动补偿后的前后帧和预去噪后的中间帧I′t，输出是中间帧的去噪结果。
8.根据权利要求7所述的一种基于深度学习的多帧视频去压缩噪声方法，其特征是，在步骤(5)中，具体包括如下步骤：
(51)获得损失函数：其中，表示噪声图像It对应的清晰图像，表示经过多帧图像去噪模型的去噪图像，|g|表示L1范数；
(52)训练参数：设置训练参数，初始学习率设为10-3，训练迭代次数设定为150个epoch，每训练10个epoch，学习率降1/10，优化算法采用Adam算法。
CN201910861015.XA 2019-09-11 2019-09-11 一种基于深度学习的多帧视频去压缩噪声方法 Active CN110610467B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910861015.XA CN110610467B (zh) 2019-09-11 2019-09-11 一种基于深度学习的多帧视频去压缩噪声方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910861015.XA CN110610467B (zh) 2019-09-11 2019-09-11 一种基于深度学习的多帧视频去压缩噪声方法

Publications (2)

Publication Number Publication Date
CN110610467A true CN110610467A (zh) 2019-12-24
CN110610467B CN110610467B (zh) 2022-04-15

Family

ID=68892877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910861015.XA Active CN110610467B (zh) 2019-09-11 2019-09-11 一种基于深度学习的多帧视频去压缩噪声方法

Country Status (1)

Country Link
CN (1) CN110610467B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861902A (zh) * 2020-06-10 2020-10-30 天津大学 基于深度学习的Raw域视频去噪方法
CN111866521A (zh) * 2020-07-09 2020-10-30 浙江工商大学 一种运动补偿和生成式对抗网络结合的视频图像压缩伪影去除方法
CN112019704A (zh) * 2020-10-15 2020-12-01 电子科技大学 一种基于先验信息和卷积神经网络的视频去噪方法
CN113034401A (zh) * 2021-04-08 2021-06-25 中国科学技术大学 视频去噪方法及装置、存储介质及电子设备
CN115988995A (zh) * 2021-06-18 2023-04-18 深透医疗公司 用于实时视频去噪的系统和方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204468A (zh) * 2016-06-27 2016-12-07 深圳市未来媒体技术研究院 一种基于ReLU卷积神经网络的图像去噪方法
US20180259664A1 (en) * 2017-03-08 2018-09-13 Saudi Arabian Oil Company Automated system and methods for adaptive robust denoising of large-scale seismic data sets
CN108900848A (zh) * 2018-06-12 2018-11-27 福建帝视信息科技有限公司 一种基于自适应可分离卷积的视频质量增强方法
CN109410127A (zh) * 2018-09-17 2019-03-01 西安电子科技大学 一种基于深度学习与多尺度图像增强的图像去噪方法
CN109658344A (zh) * 2018-11-12 2019-04-19 哈尔滨工业大学（深圳） 基于深度学习的图像去噪方法、装置、设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204468A (zh) * 2016-06-27 2016-12-07 深圳市未来媒体技术研究院 一种基于ReLU卷积神经网络的图像去噪方法
US20180259664A1 (en) * 2017-03-08 2018-09-13 Saudi Arabian Oil Company Automated system and methods for adaptive robust denoising of large-scale seismic data sets
CN108900848A (zh) * 2018-06-12 2018-11-27 福建帝视信息科技有限公司 一种基于自适应可分离卷积的视频质量增强方法
CN109410127A (zh) * 2018-09-17 2019-03-01 西安电子科技大学 一种基于深度学习与多尺度图像增强的图像去噪方法
CN109658344A (zh) * 2018-11-12 2019-04-19 哈尔滨工业大学（深圳） 基于深度学习的图像去噪方法、装置、设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIN ZHANG，AND ETC: "Fast depth image denoising and enhancement using a deep convolutional network", 《2016 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP)》 *
王星等: "一种矿井图像增强算法", 《工矿自动化》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861902A (zh) * 2020-06-10 2020-10-30 天津大学 基于深度学习的Raw域视频去噪方法
CN111866521A (zh) * 2020-07-09 2020-10-30 浙江工商大学 一种运动补偿和生成式对抗网络结合的视频图像压缩伪影去除方法
CN112019704A (zh) * 2020-10-15 2020-12-01 电子科技大学 一种基于先验信息和卷积神经网络的视频去噪方法
CN113034401A (zh) * 2021-04-08 2021-06-25 中国科学技术大学 视频去噪方法及装置、存储介质及电子设备
CN113034401B (zh) * 2021-04-08 2022-09-06 中国科学技术大学 视频去噪方法及装置、存储介质及电子设备
CN115988995A (zh) * 2021-06-18 2023-04-18 深透医疗公司 用于实时视频去噪的系统和方法
US20230121890A1 (en) * 2021-06-18 2023-04-20 Subtle Medical, Inc. Systems and methods for real-time video denoising
US11769229B2 (en) * 2021-06-18 2023-09-26 Subtle Medical, Inc. Systems and methods for real-time video denoising

Also Published As

Publication number Publication date
CN110610467B (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
CN110610467B (zh) 一种基于深度学习的多帧视频去压缩噪声方法
WO2021208122A1 (zh) 基于深度学习的视频盲去噪方法及装置
WO2023092813A1 (zh) 一种基于通道注意力的Swin-Transformer图像去噪方法及系统
CN108376387B (zh) 基于聚合膨胀卷积网络的图像去模糊方法
CN111080541B (zh) 基于比特分层和注意力融合机制的彩色图像去噪方法
CN108900848B (zh) 一种基于自适应可分离卷积的视频质量增强方法
CN111462019A (zh) 基于深度神经网络参数估计的图像去模糊方法及系统
CN110930327B (zh) 基于级联深度残差网络的视频去噪方法
CN112164011A (zh) 基于自适应残差与递归交叉注意力的运动图像去模糊方法
CN109949234B (zh) 基于深度网络的视频复原模型训练方法及视频复原方法
US20200244842A1 (en) Video processing method and device, unmanned aerial vehicle, and computer-readable storage medium
CN112270646B (zh) 基于残差密集跳跃网络的超分辨增强方法
CN114926336A (zh) 视频超分辨率重建方法、装置、计算机设备及存储介质
CN117333398A (zh) 一种基于自监督的多尺度图像去噪方法及装置
Mehta et al. Evrnet: Efficient video restoration on edge devices
CN114494050A (zh) 一种基于事件相机的自监督视频去模糊和图像插帧方法
Huang et al. Image restoration from patch-based compressed sensing measurement
CN112132757B (zh) 一种基于神经网络的通用图像复原方法
CN117422653A (zh) 一种基于权重共享和迭代数据优化的低光照图像增强方法
CN112330572B (zh) 一种基于密集型网络的生成式对抗神经网络及失真图像复原方法
Peng et al. MND-GAN: A research on image deblurring algorithm based on generative adversarial network
CN110648291B (zh) 一种基于深度学习的无人机运动模糊图像的复原方法
CN114125471A (zh) 一种视频编码前置滤波方法
CN108665412B (zh) 一种利用自然图像先验知识进行多帧图像超分辨重建的方法
Sufian et al. Denoising The wireless channel corrupted images using machine learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant