CN111640073A - 图像盲去噪系统 - Google Patents
图像盲去噪系统 Download PDFInfo
- Publication number
- CN111640073A CN111640073A CN202010413635.XA CN202010413635A CN111640073A CN 111640073 A CN111640073 A CN 111640073A CN 202010413635 A CN202010413635 A CN 202010413635A CN 111640073 A CN111640073 A CN 111640073A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolution
- convolutional layer
- image
- convolutional
- 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
Links
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000001537 neural effect Effects 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000013140 knowledge distillation Methods 0.000 claims abstract description 16
- 230000004913 activation Effects 0.000 claims description 157
- 238000010606 normalization Methods 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 30
- 230000009466 transformation Effects 0.000 claims description 27
- 239000011800 void material Substances 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 20
- 230000001419 dependent effect Effects 0.000 claims description 8
- 230000003213 activating effect Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000008602 contraction Effects 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 14
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (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)
Abstract
一种图像盲去噪系统，属于图像去噪技术领域。本发明针对现有图像去噪方法依赖噪声与清晰图像对进行模型的训练，可行性差的问题。其自监督学习模块包括：基于空洞卷积的盲点网络和图像相关的噪声水平估计网络，用于对噪声样本图像集中的噪声样本图像通过自监督损失优化，并基于贝叶斯预测得到初步盲去噪图像，得到第一数据集；图像相关的噪声水平估计网络还对清晰样本图像集中的清晰样本图像进行处理，生成对应噪声图像，得到清晰样本图像与对应噪声图像对组成的第二数据集；知识蒸馏模块用于在全监督模式下采用第一数据集和第二数据集训练基于多级小波的卷积神经去噪网络，得到去噪模型。本发明基于非成对图像实现盲去噪。
Description
技术领域
本发明涉及图像盲去噪系统，属于图像去噪技术领域。
背景技术
图像去噪旨在去除图像中的噪声，使包括噪声的图像复原得到高质量清晰图像。图像中出现噪声的主要原因包括，硬件条件的限制，传输及存储过程中产生的噪声等。在医学图像、监控及娱乐等应用中，常常对图像质量提出更高的要求，因此，图像去噪一直是图像处理领域研究的热点。
近年来，卷积神经网络(Convolutional Neural Network,CNN)已被成功用于高斯去噪技术中，并被不断改进，旨在能处理更加复杂的噪声类型，甚至真实噪声。但是，为了达到可观的去噪效果，所述高斯去噪技术通常需要依赖大量的噪声与清晰图像对，来进行模型的监督学习。这种方法在使用中，一方面若已知噪声模型，可通过清晰图像对应合成噪声图像，构建出图像对；但真实的噪声极其复杂，难以参数化，所以很难实现；另一方面，可通过平均多张噪声图像或后处理低ISO图像的方式得到近似清晰图，来构建图像对，但获取代价较大且近似清晰图存在过度平滑问题。
发明内容
针对现有图像去噪方法依赖噪声与清晰图像对进行模型的训练，可行性差的问题，本发明提供一种图像盲去噪系统。
本发明的一种图像盲去噪系统，包括自监督学习模块和知识蒸馏模块；
所述自监督学习模块包括：
基于空洞卷积的盲点网络和图像相关的噪声水平估计网络，用于对噪声样本图像集中的噪声样本图像通过自监督损失优化，并基于贝叶斯预测得到初步盲去噪图像，得到噪声样本图像与初步盲去噪图像对组成的第一数据集；
所述图像相关的噪声水平估计网络，还用于对清晰样本图像集中的清晰样本图像进行处理，生成对应噪声图像，得到清晰样本图像与对应噪声图像对组成的第二数据集；
所述知识蒸馏模块，用于在全监督模式下采用第一数据集和第二数据集训练基于多级小波的卷积神经去噪网络，得到去噪模型。
根据本发明所述的图像盲去噪系统，
所述基于空洞卷积的盲点网络包括M个中心位置掩码卷积、N个多因子空洞卷积和B个卷积以及第一激活函数；所述N个多因子空洞卷积之间以串联、并联和残差连接中至少之一种形式组合；M≥1，N≥1，B≥1；
所述图像相关的噪声水平估计网络包括P个卷积及第二激活函数，P≥1；
所述基于多级小波的卷积神经去噪网络包括收缩子网络和扩展子网络；
所述收缩子网络包括输入编码器和D个小波变换层；所述输入编码器包括Q个卷积和第三激活函数；
所述扩展子网络包括输出解码器和D个小波逆变换层；所述输出解码器包括Q个反卷积和第四激活函数；Q≥1，D≥1。
本发明的有益效果：本发明解决了现有基于卷积神经网络的图像盲去噪系统依赖噪声-清晰图像对训练样本和信号无关噪声退化模型假设问题。它采用独立的噪声图和清晰图数据集，以自监督和全监督方式训练网络，实现图像盲去噪任务。首先仅使用噪声图像，通过自监督方式学习基于空洞卷积的盲点网络和图像相关的噪声水平估计网络实现初步去噪任务，获取噪声-清晰图像对数据集，而图像相关的噪声水平估计网络以清晰图为输入，可生成对应噪声图像，进而得到另一噪声-清晰图像对数据集。自监督模型生成的噪声-清晰图像对以监督学习方式训练现有深度去噪模型，将盲去噪网络和噪声水平估计网络的知识迁移到现有方法，实现基于非成对图像的盲去噪系统。
经实验验证，本发明相比于现有主流方法，量化指标达到了与主流监督学习方法相当的水平，并明显优于现有的自监督学习模型，尤其在真实图像去噪任务中。本发明系统可灵活与现有全监督学习深度去噪框架进行结合，避免监督学习框架对成对训练数据的依赖。
附图说明
图1是本发明所述图像盲去噪系统的流程框图；
图2是所述基于空洞卷积的盲点网络截止到卷积层C11的数据处理过程示意图；
图3是所述基于空洞卷积的盲点网络由卷积层C11至卷积层C21的数据处理过程示意图；
图4是所述基于空洞卷积的盲点网络由卷积层C21至卷积层C31的数据处理过程示意图；
图5是所述基于空洞卷积的盲点网络截止到卷积层C41的数据处理过程示意图；
图6是所述基于空洞卷积的盲点网络由卷积层C41至卷积层C51的数据处理过程示意图；
图7是所述基于空洞卷积的盲点网络由卷积层C51至卷积层C61的数据处理过程示意图；
图8是卷积层C62至卷积层C65的数据处理过程示意图；
图9是收缩子网络的数据处理过程示意图；
图10是扩展子网络的数据处理过程示意图；
图11是本发明系统的结构框图；
图12是基于空洞卷积的盲点网络的整体结构图；
图13是基于空洞卷积的盲点网络的中心位置掩码卷积操作示意图；
图14是图像相关的噪声水平估计网络的结构图；
图15是选定的一幅噪声图像；
图16是采用本发明所述图像盲去噪系统由图15获得的去噪结果图像；
图17是选定的另一幅噪声图像；
图18是采用本发明所述图像盲去噪系统由图17获得的去噪结果图像。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
具体实施方式一、结合图1和图11所示，本发明提供了一种图像盲去噪系统，包括自监督学习模块和知识蒸馏模块；
所述自监督学习模块包括：
基于空洞卷积的盲点网络和图像相关的噪声水平估计网络，用于对噪声样本图像集中的噪声样本图像通过自监督损失优化，并基于贝叶斯预测得到初步盲去噪图像，得到噪声样本图像与初步盲去噪图像对组成的第一数据集；
所述图像相关的噪声水平估计网络，还用于对清晰样本图像集中的清晰样本图像进行处理，生成对应噪声图像，得到清晰样本图像与对应噪声图像对组成的第二数据集；
所述知识蒸馏模块，用于在全监督模式下采用第一数据集和第二数据集训练基于多级小波的卷积神经去噪网络，得到去噪模型。
进一步，结合图2至图8、图12及图13所示，所述基于空洞卷积的盲点网络包括M个中心位置掩码卷积、N个多因子空洞卷积和B个卷积以及第一激活函数；所述N个多因子空洞卷积之间以串联、并联和残差连接中至少之一种形式组合；M≥1，N≥1，B≥1；
所述图像相关的噪声水平估计网络包括P个卷积及第二激活函数，P≥1；
所述基于多级小波的卷积神经去噪网络包括收缩子网络和扩展子网络；
所述收缩子网络包括输入编码器和D个小波变换层；所述输入编码器包括Q个卷积和第三激活函数；
所述扩展子网络包括输出解码器和D个小波逆变换层；所述输出解码器包括Q个反卷积和第四激活函数；Q≥1，D≥1。
再进一步，结合图2至图8、图12及图13所示，对于所述基于空洞卷积的盲点网络，选择M＝2，N＝36以及B＝65；
则2个中心位置掩码卷积包括中心位置掩码卷积层MC1和中心位置掩码卷积层MC2；
36个多因子空洞卷积包括空洞卷积层D1、D2、D3……D36；
65个卷积包括卷积层C1、C2、C3……C65；
所述基于空洞卷积的盲点网络对噪声样本图像的处理过程包括：
采用卷积层C1对输入的噪声样本图像依次进行第一卷积操作和激活操作；
中心位置掩码卷积层MC1对卷积层C1的输出依次进行第一中心位置掩码卷积操作和激活操作；
卷积层C2对中心位置掩码卷积层MC1的输出依次进行第二卷积操作和激活操作；
空洞卷积层D1对卷积层C2的输出依次进行第一空洞卷积操作和激活操作；
空洞卷积层D2对空洞卷积层D1的输出依次进行第二空洞卷积操作和激活操作；
卷积层C3对中心位置掩码卷积层MC1的输出依次进行第三卷积操作和激活操作；
空洞卷积层D3对卷积层C3的输出依次进行第三空洞卷积操作和激活操作；
卷积层C4对中心位置掩码卷积层MC1的输出依次进行第四卷积操作和激活操作；
卷积层C5对空洞卷积层D2、空洞卷积层D3以及卷积层C4输出的并联特征依次进行第五卷积操作和激活操作，得到的结果与中心位置掩码卷积层MC1的输出进行第一特征相加操作；
卷积层C6对第一特征相加操作的结果依次进行第六卷积操作和激活操作；
卷积层C7对卷积层C6的输出依次进行第七卷积操作和激活操作；
空洞卷积层D4对卷积层C7的输出依次进行第四空洞卷积操作和激活操作；
空洞卷积层D5对空洞卷积层D4的输出依次进行第五空洞卷积操作和激活操作；
卷积层C8对卷积层C6的输出依次进行第八卷积操作和激活操作；
空洞卷积层D6对卷积层C8的输出依次进行第六空洞卷积操作和激活操作；
卷积层C9对卷积层C6的输出依次进行第九卷积操作和激活操作；
卷积层C10对空洞卷积层D5、空洞卷积层D6以及卷积层C9输出的并联特征依次进行第十卷积操作和激活操作，得到的结果与卷积层C6的输出进行第二特征相加操作；
卷积层C11对第二特征相加操作的结果依次进行第十一卷积操作和激活操作；
与卷积层C6至卷积层C10和空洞卷积层D4至空洞卷积层D6的配合操作相类似，卷积层C11至卷积层C15和空洞卷积层D7至空洞卷积层D9配合操作，得到第三特征相加操作的结果；卷积层C16至卷积层C20和空洞卷积层D10至空洞卷积层D12配合操作，得到第四特征相加操作的结果；卷积层C21至卷积层C25和空洞卷积层D13至空洞卷积层D15配合操作，得到第五特征相加操作的结果；卷积层C26至卷积层C30和空洞卷积层D16至空洞卷积层D18配合操作，得到第六特征相加操作的结果；
卷积层C31对第六特征相加操作的结果依次进行第三十一卷积操作和激活操作；
与中心位置掩码卷积层MC1、卷积层C2至卷积层C31以及空洞卷积层D1至空洞卷积层D18的操作过程相同，中心位置掩码卷积层MC2、卷积层C32至卷积层C61以及空洞卷积层D19至空洞卷积层D36再对卷积层C1的输出进行同样的操作，直至完成第七特征相加操作至第十二特征相加操作；
卷积层C62对卷积层C31与卷积层C61输出的并联特征依次进行第六十二卷积操作和激活操作；
卷积层C63对卷积层C62的输出依次进行第六十三卷积操作和激活操作；
卷积层C64对卷积层C63的输出依次进行第六十四卷积操作和激活操作；
卷积层C65对卷积层C64的输出进行六十五卷积操作；
卷积层C65输出所述噪声样本图像的初步盲去噪图像一，所述初步盲去噪图像一包括盲去噪图像的均值和方差；
所述中心位置掩码卷积层MC1的操作包括64个3*3、步长为1，卷积核中心位置为0的卷积操作；
中心位置掩码卷积层MC2的操作包括64个5*5、步长为1，卷积核中心位置为0的卷积操作；
卷积层C1于C65的卷积操作，均对应包括64个1*1、步长为1的卷积操作；
空洞卷积层D1至D18的空洞卷积操作，均对应包括64个3*3、步长为1，膨胀因子为2的空洞卷积操作；
空洞卷积层D19至D36的空洞卷积操作，均对应包括64个3*3、步长为1，膨胀因子为3的空洞卷积操作；
所述第一激活函数包括ReLU激活函数；所述激活操作包括采用ReLU激活函数进行激活。
本实施方式中，卷积层C11至卷积层C15和空洞卷积层D7至空洞卷积层D9配合操作具体包括：
卷积层C11对第二特征相加操作的结果依次进行第十一卷积操作和激活操作；
卷积层C12对卷积层C11的输出依次进行第十二卷积操作和激活操作；
空洞卷积层D7对卷积层C12的输出依次进行第七空洞卷积操作和激活操作；
空洞卷积层D8对空洞卷积层D7的输出依次进行第八空洞卷积操作和激活操作；
卷积层C13对卷积层C11的输出依次进行第八卷积操作和激活操作；
空洞卷积层D9对卷积层C13的输出依次进行第九空洞卷积操作和激活操作；
卷积层C14对卷积层C11的输出依次进行第十四卷积操作和激活操作；
卷积层C15对空洞卷积层D8、空洞卷积层D9以及卷积层C14输出的并联特征依次进行第十五卷积操作和激活操作，得到的结果与卷积层C11的输出进行第三特征相加操作；
对于卷积层C16至卷积层C20和空洞卷积层D10至空洞卷积层D12配合操作，得到第四特征相加操作的结果；卷积层C21至卷积层C25和空洞卷积层D13至空洞卷积层D15配合操作，得到第五特征相加操作的结果；卷积层C26至卷积层C30和空洞卷积层D16至空洞卷积层D18配合操作，得到第六特征相加操作的结果的所有过程与卷积层C11至卷积层C15和空洞卷积层D7至空洞卷积层D9配合操作过程相类似，不再赘述。
对于中心位置掩码卷积层MC2、卷积层C32至卷积层C61以及空洞卷积层D19至空洞卷积层D36，与中心位置掩码卷积层MC1、卷积层C2至卷积层C31以及空洞卷积层D1至空洞卷积层D18的数据处理过程相类似，结合图5至图7所示，具体包括：
中心位置掩码卷积层MC2用于对卷积层C1的输出依次进行第二中心位置掩码卷积操作和激活操作；
卷积层C32用于对中心位置掩码卷积层MC2的输出依次进行第三十二卷积操作和激活操作；
空洞卷积层D19用于对卷积层C32的输出依次进行第十九空洞卷积操作和激活操作；
空洞卷积层D20用于对空洞卷积层D19的输出依次进行第二十空洞卷积操作和激活操作；
卷积层C33用于对中心位置掩码卷积层MC2的输出依次进行第三十三卷积操作和激活操作；
空洞卷积层D21用于对卷积层C33的输出依次进行第二十一空洞卷积操作和激活操作；
卷积层C34用于对中心位置掩码卷积层MC2的输出依次进行第三十四卷积操作和激活操作；
卷积层C35用于对空洞卷积层D20的输出、空洞卷积层D21的输出、卷积层C34的输出的并联特征依次进行第五卷积操作和激活操作，得到的结果与中心位置掩码卷积层MC1的输出进行第七特征相加操作；
卷积层C36用于对卷积层C35输出的第七特征相加操作结果依次进行第三十六卷积操作和激活操作；
卷积层C37用于对卷积层C36的输出依次进行第三十七卷积操作和激活操作；
空洞卷积层D22用于对卷积层C37的输出依次进行第二十二空洞卷积操作和激活操作；
空洞卷积层D23用于对空洞卷积层D22的输出依次进行第二十三空洞卷积操作和激活操作；
卷积层C38用于对卷积层C36的输出依次进行第三十八卷积操作和激活操作；
空洞卷积层D24用于对卷积层C38的输出依次进行第二十四空洞卷积操作和激活操作；
卷积层C39用于对卷积层C36的输出依次进行第三十九卷积操作和激活操作；
卷积层C40用于对空洞卷积层D23的输出、空洞卷积层D24的输出、卷积层C39的输出的并联特征依次进行第四十卷积操作和激活操作，得到的结果与卷积层C36的输出进行第八特征相加操作；
卷积层C41用于对卷积层C40输出的第八特征相加操作结果依次进行第四十一卷积操作和激活操作；
按照同样方式，卷积层C42至卷积层C61依次完成第四十一卷积操作和激活操作至第六十一卷积操作和激活操作，空洞卷积层D25至空洞卷积层D36依次完成第二十五空洞卷积操作和激活操作至第三十六空洞卷积操作和激活操作，以及第九特征至第十二特征相加操作。
再进一步，结合图14所示，对于所述图像相关的噪声水平估计网络，选择P＝5；
则5个卷积包括卷积层C66、C67、C68、C69和C70；
所述图像相关的噪声水平估计网络对噪声样本图像的处理过程包括：
卷积层C66对输入的噪声样本图像依次进行第六十六卷积操作和激活操作；
卷积层C67对卷积层C66的输出依次进行第六十七卷积操作和激活操作；
卷积层C68对卷积层C67的输出依次进行第六十八卷积操作和激活操作；
卷积层C69对卷积层C68的输出依次进行第六十九卷积操作和激活操作；
卷积层C70对卷积层C69的输出进行第七十卷积操作；
卷积层C70输出所述噪声样本图像的初步盲去噪图像二，所述初步盲去噪图像二包括盲去噪图像的噪声水平估计值；
将盲去噪图像的均值、方差和噪声水平估计值进行整合，获得初步盲去噪图像，所述初步盲去噪图像与噪声样本图像构成第一数据集；
所述第二激活函数包括ReLU激活函数；所述激活操作包括采用ReLU激活函数进行激活。
再进一步，结合图9、图10及图15所示，对于所述基于多级小波的卷积神经去噪网络，选择Q＝12，D＝3；
则收缩子网络的输入编码器包括卷积层C71至C82；小波变换层包括小波变换层W1至小波变换层W3；
小波变换层W1对第一数据集或第二数据集的噪声图像对进行第一小波变换；所述噪声图像包括噪声样本图像和由清晰样本图像获得的对应噪声图像；
卷积层C71对小波变换层W1的输出结果依次进行第七十一卷积操作和激活操作；
卷积层C72对卷积层C71的输出结果依次进行第七十二卷积操作、块归一化操作和激活操作；
卷积层C73对卷积层C72的输出结果依次进行第七十三卷积操作、块归一化操作和激活操作；
卷积层C74对卷积层C73的输出结果依次进行第七十四卷积操作、块归一化操作和激活操作；
小波变换层W2对卷积层C74的输出结果进行第二小波变换；
卷积层C75对小波变换层W2的输出结果依次进行第七十五卷积操作、块归一化操作和激活操作；
卷积层C76对卷积层C75的输出结果依次进行第七十六卷积操作、块归一化操作和激活操作；
卷积层C77对卷积层C76的输出结果依次进行第七十七卷积操作、块归一化操作和激活操作；
卷积层C78对卷积层C77的输出结果依次进行第七十八卷积操作、块归一化操作和激活操作；
小波变换层W3对卷积层C78的输出结果进行第三小波变换；
卷积层C79对小波变换层W3的输出结果依次进行第七十九卷积操作、块归一化操作和激活操作；
卷积层C80对卷积层C79的输出结果依次进行第八十卷积操作、块归一化操作和激活操作；
卷积层C81对卷积层C80的输出结果依次进行第八十一卷积操作、块归一化操作和激活操作；
卷积层C82对卷积层C81的输出结果依次进行第八十二卷积操作、块归一化操作和激活操作；
所述扩展子网络的输出解码器包括反卷积层T1至反卷积层T12；小波逆变换层包括小波逆变换层I1至小波逆变换层I3；
反卷积层T1对卷积层C82的输出结果依次进行第一次反卷积操作、块归一化操作和激活操作；
反卷积层T2对反卷积层T1的输出结果依次进行第二次反卷积操作、块归一化操作和激活操作；
反卷积层T3对反卷积层T2的输出结果依次进行第三次反卷积操作、块归一化操作和激活操作；
反卷积层T4对反卷积层T3的输出结果依次进行第四次反卷积操作、块归一化操作和激活操作；
小波逆变换层I1对反卷积层T4的输出结果进行第一小波逆变换；
反卷积层T5，对小波逆变换层I1与卷积层C8的输出特征相加结果依次进行第五反卷积操作、块归一化操作和激活操作；
反卷积层T6对反卷积层T5的输出结果依次进行第六反卷积操作、块归一化操作和激活操作；
反卷积层T7对反卷积层T6的输出结果依次进行第七反卷积操作、块归一化操作和激活操作；
反卷积层T8对反卷积层T7的输出结果依次进行第八反卷积操作、块归一化操作和激活操作；
小波逆变换层I2用于对反卷积层T8的输出结果进行第二小波逆变换；
反卷积层T9，对小波逆变换层I2与卷积层C74的输出特征相加结果依次进行第九反卷积操作、块归一化操作和激活操作；
反卷积层T10对反卷积层T9的输出结果依次进行第十反卷积操作、块归一化操作和激活操作；
反卷积层T11对反卷积层T10的输出结果依次进行第十一反卷积操作、块归一化操作和激活操作；
反卷积层T12对反卷积层T11的输出结果依次进行第十二反卷积操作、块归一化操作和激活操作；
小波逆变换层I3，对反卷积层T12与小波变换层W1的输出特征相加结果进行第三小波逆变换，获得去噪结果图像；
所述第七十一卷积操作包括160个3*3*4、步长为1的卷积操作；
第七十二卷积操作至第七十四卷积操作分别包括160个3*3*160、步长为1的卷积操作；
第七十五卷积操作包括256个3*3*1024、步长为1的卷积操作；
第七十六卷积操作至第七十八卷积操作分别包括256个3*3*256、步长为1的卷积操作；
第七十九卷积操作包括256个3*3*1024、步长为1的卷积操作；
第八十卷积操作至第八十二卷积操作分别包括256个3*3*256、步长为1的卷积操作；
第一反卷积操作至第三反卷积操作分别包括256个3*3*256、步长为1的反卷积操作；
第四反卷积操作包括1024个3*3*256、步长为1的反卷积操作；
第五反卷积操作至第七反卷积操作分别包括256个3*3*256、步长为1的反卷积操作；
第八反卷积操作包括640个3*3*256、步长为1的反卷积操作；
第九反卷积操作至第十一反卷积操作分别包括256个3*3*256、步长为1的反卷积操作；
第十二反卷积操作包括640个3*3*256、步长为1的反卷积操作；
所述第三激活函数和第四激活函数分别包括ReLU函数；
第一小波变换至第三小波变换包括离散小波变换；
第一小波逆变换至第三小波逆变换包括离散小波逆变换。
所述第一数据集和第二数据集在全监督模式下蒸馏由Q个卷积层，D个离散小波变换层，Q个反卷积层和D个小波逆变换层组成的深度去噪网络，输出最终去噪结果。
再进一步，所述基于空洞卷积的盲点网络中心位置掩码卷积层MC1的第一中心位置掩码卷积操作包括：获得第一层卷积特征图
其中wk为卷积核，k为通道数，m为中间位置为0，其余位置为1的二值遮挡矩阵，y为噪声样本图像；*表示卷积操作，ο表示点乘操作。
再进一步，所述图像相关的噪声水平估计网络，对清晰样本图像进行处理，获得对应噪声图像的过程包括：获得与清晰样本图像x对应的对应噪声图像
式中gy(y)为学习的噪声水平函数，n0为标准正态分布；
由清晰样本图像x与对应噪声图像
得到第二数据集。
再进一步，所述去噪系统还包括：
训练网络，用于基于最大后验概率的自监督损失训练网络，预测得到盲去噪图像的均值、方差和噪声水平估计值，获得第一数据集；
所述知识蒸馏模块通过重构损失以全监督方式训练基于多级小波的卷积神经去噪网络，最终去噪结果为复原图像；
所述训练网络采用Adam优化算法，在自监督学习模块中对基于空洞卷积的盲点网络和图像相关的噪声水平估计网络进行端对端的训练；在知识蒸馏模块对基于多级小波的卷积神经去噪网络进行端对端的训练。
再进一步，所述自监督损失
包括：
式中
D-BSNμ为盲点网络，以噪声样本图像y为输入，获得初步盲去噪图像的均值
和协方差矩阵
CNNest为噪声水平估计网络，以噪声样本图像y为输入，获得初步盲去噪图像的噪声水平估计值
i为图像序号；
再通过贝叶斯预测，得到初步盲去噪图像
(即盲去噪结果)，初步盲去噪图像
中各位置像素
的计算方法包括：
通过对噪声样本图像进行盲去噪，得到由噪声样本图像和对应初步盲去噪图像组成的第一数据集。
再进一步，对于所述知识蒸馏模块，在全监督模式下采用第一数据集和第二数据集训练基于多级小波的卷积神经去噪网络的过程包括：
式中
表示知识蒸馏模块采用的重构损失，CDN表示基于多级小波的卷积神经去噪网络，λ表示第一数据集的权重系数。
综上，本发明使用独立的噪声图像和清晰图像作为训练集，且假设信号相关的退化模型，以自监督方式训练基于盲点网络的盲去噪模型和图像相关的噪声水平估计模型，构建噪声-清晰图像对数据集，进而以全监督方式对基于多级小波的卷积神经去噪网络进行知识蒸馏，实现最终去噪任务，与现有基于全监督学习的深度去噪算法相比，本实施例所述系统更具灵活性、延展性和实用性，在真实图像去噪任务中有更好的去噪效果。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其它所述实施例中。
Claims (10)
1.一种图像盲去噪系统，其特征在于包括自监督学习模块和知识蒸馏模块；
所述自监督学习模块包括：
基于空洞卷积的盲点网络和图像相关的噪声水平估计网络，用于对噪声样本图像集中的噪声样本图像通过自监督损失优化，并基于贝叶斯预测得到初步盲去噪图像，得到噪声样本图像与初步盲去噪图像对组成的第一数据集；
所述图像相关的噪声水平估计网络，还用于对清晰样本图像集中的清晰样本图像进行处理，生成对应噪声图像，得到清晰样本图像与对应噪声图像对组成的第二数据集；
所述知识蒸馏模块，用于在全监督模式下采用第一数据集和第二数据集训练基于多级小波的卷积神经去噪网络，得到去噪模型。
2.根据权利要求1所述的图像盲去噪系统，其特征在于，
所述基于空洞卷积的盲点网络包括M个中心位置掩码卷积、N个多因子空洞卷积和B个卷积以及第一激活函数；所述N个多因子空洞卷积之间以串联、并联和残差连接中至少之一种形式组合；M≥1，N≥1，B≥1；
所述图像相关的噪声水平估计网络包括P个卷积及第二激活函数，P≥1；
所述基于多级小波的卷积神经去噪网络包括收缩子网络和扩展子网络；
所述收缩子网络包括输入编码器和D个小波变换层；所述输入编码器包括Q个卷积和第三激活函数；
所述扩展子网络包括输出解码器和D个小波逆变换层；所述输出解码器包括Q个反卷积和第四激活函数；Q≥1，D≥1。
3.根据权利要求2所述的图像盲去噪系统，其特征在于，
对于所述基于空洞卷积的盲点网络，选择M＝2，N＝36以及B＝65；
则2个中心位置掩码卷积包括中心位置掩码卷积层MC1和中心位置掩码卷积层MC2；
36个多因子空洞卷积包括空洞卷积层D1、D2、D3……D36；
65个卷积包括卷积层C1、C2、C3……C65；
所述基于空洞卷积的盲点网络对噪声样本图像的处理过程包括：
采用卷积层C1对输入的噪声样本图像依次进行第一卷积操作和激活操作；
中心位置掩码卷积层MC1对卷积层C1的输出依次进行第一中心位置掩码卷积操作和激活操作；
卷积层C2对中心位置掩码卷积层MC1的输出依次进行第二卷积操作和激活操作；
空洞卷积层D1对卷积层C2的输出依次进行第一空洞卷积操作和激活操作；
空洞卷积层D2对空洞卷积层D1的输出依次进行第二空洞卷积操作和激活操作；
卷积层C3对中心位置掩码卷积层MC1的输出依次进行第三卷积操作和激活操作；
空洞卷积层D3对卷积层C3的输出依次进行第三空洞卷积操作和激活操作；
卷积层C4对中心位置掩码卷积层MC1的输出依次进行第四卷积操作和激活操作；
卷积层C5对空洞卷积层D2、空洞卷积层D3以及卷积层C4输出的并联特征依次进行第五卷积操作和激活操作，得到的结果与中心位置掩码卷积层MC1的输出进行第一特征相加操作；
卷积层C6对第一特征相加操作的结果依次进行第六卷积操作和激活操作；
卷积层C7对卷积层C6的输出依次进行第七卷积操作和激活操作；
空洞卷积层D4对卷积层C7的输出依次进行第四空洞卷积操作和激活操作；
空洞卷积层D5对空洞卷积层D4的输出依次进行第五空洞卷积操作和激活操作；
卷积层C8对卷积层C6的输出依次进行第八卷积操作和激活操作；
空洞卷积层D6对卷积层C8的输出依次进行第六空洞卷积操作和激活操作；
卷积层C9对卷积层C6的输出依次进行第九卷积操作和激活操作；
卷积层C10对空洞卷积层D5、空洞卷积层D6以及卷积层C9输出的并联特征依次进行第十卷积操作和激活操作，得到的结果与卷积层C6的输出进行第二特征相加操作；
卷积层C11对第二特征相加操作的结果依次进行第十一卷积操作和激活操作；
与卷积层C6至卷积层C10和空洞卷积层D4至空洞卷积层D6的配合操作相类似，卷积层C11至卷积层C15和空洞卷积层D7至空洞卷积层D9配合操作，得到第三特征相加操作的结果；卷积层C16至卷积层C20和空洞卷积层D10至空洞卷积层D12配合操作，得到第四特征相加操作的结果；卷积层C21至卷积层C25和空洞卷积层D13至空洞卷积层D15配合操作，得到第五特征相加操作的结果；卷积层C26至卷积层C30和空洞卷积层D16至空洞卷积层D18配合操作，得到第六特征相加操作的结果；
卷积层C31对第六特征相加操作的结果依次进行第三十一卷积操作和激活操作；
与中心位置掩码卷积层MC1、卷积层C2至卷积层C31以及空洞卷积层D1至空洞卷积层D18的操作过程相同，中心位置掩码卷积层MC2、卷积层C32至卷积层C61以及空洞卷积层D19至空洞卷积层D36再对卷积层C1的输出进行同样的操作，直至完成第七特征相加操作至第十二特征相加操作；
卷积层C62对卷积层C31与卷积层C61输出的并联特征依次进行第六十二卷积操作和激活操作；
卷积层C63对卷积层C62的输出依次进行第六十三卷积操作和激活操作；
卷积层C64对卷积层C63的输出依次进行第六十四卷积操作和激活操作；
卷积层C65对卷积层C64的输出进行六十五卷积操作；
卷积层C65输出所述噪声样本图像的初步盲去噪图像一，所述初步盲去噪图像一包括盲去噪图像的均值和方差；
所述中心位置掩码卷积层MC1的操作包括64个3*3、步长为1，卷积核中心位置为0的卷积操作；
中心位置掩码卷积层MC2的操作包括64个5*5、步长为1，卷积核中心位置为0的卷积操作；
卷积层C1于C65的卷积操作，均对应包括64个1*1、步长为1的卷积操作；
空洞卷积层D1至D18的空洞卷积操作，均对应包括64个3*3、步长为1，膨胀因子为2的空洞卷积操作；
空洞卷积层D19至D36的空洞卷积操作，均对应包括64个3*3、步长为1，膨胀因子为3的空洞卷积操作；
所述第一激活函数包括ReLU激活函数；所述激活操作包括采用ReLU激活函数进行激活。
4.根据权利要求3所述的图像盲去噪系统，其特征在于，
对于所述图像相关的噪声水平估计网络，选择P＝5；
则5个卷积包括卷积层C66、C67、C68、C69和C70；
所述图像相关的噪声水平估计网络对噪声样本图像的处理过程包括：
卷积层C66对输入的噪声样本图像依次进行第六十六卷积操作和激活操作；
卷积层C67对卷积层C66的输出依次进行第六十七卷积操作和激活操作；
卷积层C68对卷积层C67的输出依次进行第六十八卷积操作和激活操作；
卷积层C69对卷积层C68的输出依次进行第六十九卷积操作和激活操作；
卷积层C70对卷积层C69的输出进行第七十卷积操作；
卷积层C70输出所述噪声样本图像的初步盲去噪图像二，所述初步盲去噪图像二包括盲去噪图像的噪声水平估计值；
将盲去噪图像的均值、方差和噪声水平估计值进行整合，获得初步盲去噪图像，所述初步盲去噪图像与噪声样本图像构成第一数据集；
所述第二激活函数包括ReLU激活函数；所述激活操作包括采用ReLU激活函数进行激活。
5.根据权利要求4所述的图像盲去噪系统，其特征在于，
对于所述基于多级小波的卷积神经去噪网络，选择Q＝12，D＝3；
则收缩子网络的输入编码器包括卷积层C71至C82；小波变换层包括小波变换层W1至小波变换层W3；
小波变换层W1对第一数据集或第二数据集的噪声图像对进行第一小波变换；所述噪声图像包括噪声样本图像和由清晰样本图像获得的对应噪声图像；
卷积层C71对小波变换层W1的输出结果依次进行第七十一卷积操作和激活操作；
卷积层C72对卷积层C71的输出结果依次进行第七十二卷积操作、块归一化操作和激活操作；
卷积层C73对卷积层C72的输出结果依次进行第七十三卷积操作、块归一化操作和激活操作；
卷积层C74对卷积层C73的输出结果依次进行第七十四卷积操作、块归一化操作和激活操作；
小波变换层W2对卷积层C74的输出结果进行第二小波变换；
卷积层C75对小波变换层W2的输出结果依次进行第七十五卷积操作、块归一化操作和激活操作；
卷积层C76对卷积层C75的输出结果依次进行第七十六卷积操作、块归一化操作和激活操作；
卷积层C77对卷积层C76的输出结果依次进行第七十七卷积操作、块归一化操作和激活操作；
卷积层C78对卷积层C77的输出结果依次进行第七十八卷积操作、块归一化操作和激活操作；
小波变换层W3对卷积层C78的输出结果进行第三小波变换；
卷积层C79对小波变换层W3的输出结果依次进行第七十九卷积操作、块归一化操作和激活操作；
卷积层C80对卷积层C79的输出结果依次进行第八十卷积操作、块归一化操作和激活操作；
卷积层C81对卷积层C80的输出结果依次进行第八十一卷积操作、块归一化操作和激活操作；
卷积层C82对卷积层C81的输出结果依次进行第八十二卷积操作、块归一化操作和激活操作；
所述扩展子网络的输出解码器包括反卷积层T1至反卷积层T12；小波逆变换层包括小波逆变换层I1至小波逆变换层I3；
反卷积层T1对卷积层C82的输出结果依次进行第一次反卷积操作、块归一化操作和激活操作；
反卷积层T2对反卷积层T1的输出结果依次进行第二次反卷积操作、块归一化操作和激活操作；
反卷积层T3对反卷积层T2的输出结果依次进行第三次反卷积操作、块归一化操作和激活操作；
反卷积层T4对反卷积层T3的输出结果依次进行第四次反卷积操作、块归一化操作和激活操作；
小波逆变换层I1对反卷积层T4的输出结果进行第一小波逆变换；
反卷积层T5，对小波逆变换层I1与卷积层C8的输出特征相加结果依次进行第五反卷积操作、块归一化操作和激活操作；
反卷积层T6对反卷积层T5的输出结果依次进行第六反卷积操作、块归一化操作和激活操作；
反卷积层T7对反卷积层T6的输出结果依次进行第七反卷积操作、块归一化操作和激活操作；
反卷积层T8对反卷积层T7的输出结果依次进行第八反卷积操作、块归一化操作和激活操作；
小波逆变换层I2用于对反卷积层T8的输出结果进行第二小波逆变换；
反卷积层T9，对小波逆变换层I2与卷积层C74的输出特征相加结果依次进行第九反卷积操作、块归一化操作和激活操作；
反卷积层T10对反卷积层T9的输出结果依次进行第十反卷积操作、块归一化操作和激活操作；
反卷积层T11对反卷积层T10的输出结果依次进行第十一反卷积操作、块归一化操作和激活操作；
反卷积层T12对反卷积层T11的输出结果依次进行第十二反卷积操作、块归一化操作和激活操作；
小波逆变换层I3，对反卷积层T12与小波变换层W1的输出特征相加结果进行第三小波逆变换，获得去噪结果图像；
所述第七十一卷积操作包括160个3*3*4、步长为1的卷积操作；
第七十二卷积操作至第七十四卷积操作分别包括160个3*3*160、步长为1的卷积操作；
第七十五卷积操作包括256个3*3*1024、步长为1的卷积操作；
第七十六卷积操作至第七十八卷积操作分别包括256个3*3*256、步长为1的卷积操作；
第七十九卷积操作包括256个3*3*1024、步长为1的卷积操作；
第八十卷积操作至第八十二卷积操作分别包括256个3*3*256、步长为1的卷积操作；
第一反卷积操作至第三反卷积操作分别包括256个3*3*256、步长为1的反卷积操作；
第四反卷积操作包括1024个3*3*256、步长为1的反卷积操作；
第五反卷积操作至第七反卷积操作分别包括256个3*3*256、步长为1的反卷积操作；
第八反卷积操作包括640个3*3*256、步长为1的反卷积操作；
第九反卷积操作至第十一反卷积操作分别包括256个3*3*256、步长为1的反卷积操作；
第十二反卷积操作包括640个3*3*256、步长为1的反卷积操作；
所述第三激活函数和第四激活函数分别包括ReLU函数；
第一小波变换至第三小波变换包括离散小波变换；
第一小波逆变换至第三小波逆变换包括离散小波逆变换。
6.根据权利要求5所述的图像盲去噪系统，其特征在于，
所述基于空洞卷积的盲点网络中心位置掩码卷积层MC1的第一中心位置掩码卷积操作包括：获得第一层卷积特征图
其中wk为卷积核，k为通道数，m为中间位置为0，其余位置为1的二值遮挡矩阵，y为噪声样本图像；*表示卷积操作，
表示点乘操作。
7.根据权利要求6所述的图像盲去噪系统，其特征在于，
所述图像相关的噪声水平估计网络，对清晰样本图像进行处理，获得对应噪声图像的过程包括：获得与清晰样本图像x对应的对应噪声图像
式中gy(y)为学习的噪声水平函数，n0为标准正态分布；
由清晰样本图像x与对应噪声图像
得到第二数据集。
8.根据权利要求7所述的图像盲去噪系统，其特征在于，所述去噪系统还包括：
训练网络，用于基于最大后验概率的自监督损失训练网络，预测得到盲去噪图像的均值、方差和噪声水平估计值，获得第一数据集；
所述知识蒸馏模块通过重构损失以全监督方式训练基于多级小波的卷积神经去噪网络，最终去噪结果为复原图像；
所述训练网络采用Adam优化算法，在自监督学习模块中对基于空洞卷积的盲点网络和图像相关的噪声水平估计网络进行端对端的训练；在知识蒸馏模块对基于多级小波的卷积神经去噪网络进行端对端的训练。
9.根据权利要求8所述的图像盲去噪系统，其特征在于，
所述自监督损失
包括：
式中
D-BSNμ为盲点网络，以噪声样本图像y为输入，获得初步盲去噪图像的均值
和协方差矩阵
CNNest为噪声水平估计网络，以噪声样本图像y为输入，获得初步盲去噪图像的噪声水平估计值
i为图像序号；
再通过贝叶斯预测，得到初步盲去噪图像
初步盲去噪图像
中各位置像素
的计算方法包括：
通过对噪声样本图像进行盲去噪，得到由噪声样本图像和对应初步盲去噪图像组成的第一数据集。
10.根据权利要求9所述的图像盲去噪系统，其特征在于，
对于所述知识蒸馏模块，在全监督模式下采用第一数据集和第二数据集训练基于多级小波的卷积神经去噪网络的过程包括：
式中
表示知识蒸馏模块采用的重构损失，CDN表示基于多级小波的卷积神经去噪网络，λ表示第一数据集的权重系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010413635.XA CN111640073B (zh) | 2020-05-15 | 2020-05-15 | 图像盲去噪系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010413635.XA CN111640073B (zh) | 2020-05-15 | 2020-05-15 | 图像盲去噪系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111640073A true CN111640073A (zh) | 2020-09-08 |
| CN111640073B CN111640073B (zh) | 2021-06-01 |
Family
ID=72330855
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010413635.XA Active CN111640073B (zh) | 2020-05-15 | 2020-05-15 | 图像盲去噪系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111640073B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112801889A (zh) * | 2021-01-06 | 2021-05-14 | 携程旅游网络技术（上海）有限公司 | 图像去噪方法、系统、设备及存储介质 |
| CN114529796A (zh) * | 2022-01-30 | 2022-05-24 | 北京百度网讯科技有限公司 | 模型训练方法、图像识别方法、装置及电子设备 |
| CN114936979A (zh) * | 2022-06-07 | 2022-08-23 | 中南大学 | 一种模型训练方法、图像去噪方法、装置、设备及存储介质 |
| CN115147376A (zh) * | 2022-07-06 | 2022-10-04 | 南京邮电大学 | 一种基于深度贝叶斯蒸馏网络的皮肤病变智能识别方法 |
| CN115600076A (zh) * | 2022-12-12 | 2023-01-13 | 中国南方电网有限责任公司超高压输电公司广州局（Cn） | 去噪模型训练方法、装置、计算机设备和存储介质 |
| CN117314783A (zh) * | 2023-10-16 | 2023-12-29 | 南通大学 | 基于多级去噪网络的卫星闪电成像虚警信号滤除方法 |
| CN117541501A (zh) * | 2024-01-09 | 2024-02-09 | 清华大学 | 扫描光场自监督网络去噪方法、装置、电子设备及介质 |
| CN117710240A (zh) * | 2023-12-15 | 2024-03-15 | 山东财经大学 | 一种自监督图像去噪方法、系统、装置及可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108492258A (zh) * | 2018-01-17 | 2018-09-04 | 天津大学 | 一种基于生成对抗网络的雷达图像去噪方法 |
| CN108765320A (zh) * | 2018-05-16 | 2018-11-06 | 哈尔滨工业大学 | 基于多级小波卷积神经网络的图像复原系统 |
| CN109064428A (zh) * | 2018-08-01 | 2018-12-21 | Oppo广东移动通信有限公司 | 一种图像去噪处理方法、终端设备及计算机可读存储介质 |
| US20190378248A1 (en) * | 2018-06-07 | 2019-12-12 | Kabushiki Kaisha Toshiba | Distance measuring apparatus, vibration measuring apparatus, and industrial computed tomography apparatus |
-
2020
- 2020-05-15 CN CN202010413635.XA patent/CN111640073B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108492258A (zh) * | 2018-01-17 | 2018-09-04 | 天津大学 | 一种基于生成对抗网络的雷达图像去噪方法 |
| CN108765320A (zh) * | 2018-05-16 | 2018-11-06 | 哈尔滨工业大学 | 基于多级小波卷积神经网络的图像复原系统 |
| US20190378248A1 (en) * | 2018-06-07 | 2019-12-12 | Kabushiki Kaisha Toshiba | Distance measuring apparatus, vibration measuring apparatus, and industrial computed tomography apparatus |
| CN109064428A (zh) * | 2018-08-01 | 2018-12-21 | Oppo广东移动通信有限公司 | 一种图像去噪处理方法、终端设备及计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| JINGWEN CHEN 等: "Image Blind Denoising With Generative Adversarial Network Based Noise Modeling", 《2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112801889A (zh) * | 2021-01-06 | 2021-05-14 | 携程旅游网络技术（上海）有限公司 | 图像去噪方法、系统、设备及存储介质 |
| CN112801889B (zh) * | 2021-01-06 | 2024-09-06 | 携程旅游网络技术（上海）有限公司 | 图像去噪方法、系统、设备及存储介质 |
| CN114529796A (zh) * | 2022-01-30 | 2022-05-24 | 北京百度网讯科技有限公司 | 模型训练方法、图像识别方法、装置及电子设备 |
| CN114936979B (zh) * | 2022-06-07 | 2023-05-30 | 中南大学 | 一种模型训练方法、图像去噪方法、装置、设备及存储介质 |
| CN114936979A (zh) * | 2022-06-07 | 2022-08-23 | 中南大学 | 一种模型训练方法、图像去噪方法、装置、设备及存储介质 |
| CN115147376A (zh) * | 2022-07-06 | 2022-10-04 | 南京邮电大学 | 一种基于深度贝叶斯蒸馏网络的皮肤病变智能识别方法 |
| CN115600076B (zh) * | 2022-12-12 | 2023-05-02 | 中国南方电网有限责任公司超高压输电公司广州局 | 去噪模型训练方法、装置、计算机设备和存储介质 |
| CN115600076A (zh) * | 2022-12-12 | 2023-01-13 | 中国南方电网有限责任公司超高压输电公司广州局（Cn） | 去噪模型训练方法、装置、计算机设备和存储介质 |
| CN117314783A (zh) * | 2023-10-16 | 2023-12-29 | 南通大学 | 基于多级去噪网络的卫星闪电成像虚警信号滤除方法 |
| CN117314783B (zh) * | 2023-10-16 | 2024-08-02 | 南通大学 | 基于多级去噪网络的卫星闪电成像虚警信号滤除方法 |
| CN117710240A (zh) * | 2023-12-15 | 2024-03-15 | 山东财经大学 | 一种自监督图像去噪方法、系统、装置及可读存储介质 |
| CN117710240B (zh) * | 2023-12-15 | 2024-05-24 | 山东财经大学 | 一种自监督图像去噪方法、系统、装置及可读存储介质 |
| CN117541501A (zh) * | 2024-01-09 | 2024-02-09 | 清华大学 | 扫描光场自监督网络去噪方法、装置、电子设备及介质 |
| CN117541501B (zh) * | 2024-01-09 | 2024-05-31 | 清华大学 | 扫描光场自监督网络去噪方法、装置、电子设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111640073B (zh) | 2021-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111640073B (zh) | 图像盲去噪系统 | |
| CN109360156B (zh) | 基于生成对抗网络的图像分块的单张图像去雨方法 | |
| CN111899209B (zh) | 基于卷积匹配追踪字典学习的可见光红外图像融合方法 | |
| CN112132758B (zh) | 基于非对称光学系统点扩散函数模型的图像复原方法 | |
| Shi et al. | No-reference stereoscopic image quality assessment using a multi-task CNN and registered distortion representation | |
| CN108765320B (zh) | 基于多级小波卷积神经网络的图像复原系统 | |
| CN117174105A (zh) | 一种基于改进型深度卷积网络的语音降噪与去混响方法 | |
| CN113362225A (zh) | 基于残差递归补偿和特征融合的多描述压缩图像增强方法 | |
| CN115984117A (zh) | 基于通道注意力的变分自编码图像超分辨率方法及系统 | |
| CN114742911A (zh) | 图像压缩感知重建方法、系统、设备及介质 | |
| CN114862692B (zh) | 一种基于标准化流理论的三维点云去噪方法 | |
| CN118097159A (zh) | 基于三阶段特征提取的自监督图像去噪方法 | |
| CN109242797B (zh) | 基于均质和异质区域融合的图像去噪方法、系统及介质 | |
| CN114417920A (zh) | 一种基于de优化小波参数的信号去噪方法及装置 | |
| CN114240990A (zh) | Sar图像点目标分割方法 | |
| CN110443755B (zh) | 一种基于高低频信号量的图像超分辨率的方法 | |
| CN116405100A (zh) | 一种基于先验知识的失真信号还原方法 | |
| CN116862809A (zh) | 一种低曝光条件下的图像增强方法 | |
| CN113362241B (zh) | 一种结合高低频分解和两级融合策略的深度图去噪方法 | |
| CN114764750B (zh) | 基于自适应一致性先验深度网络的图像去噪方法 | |
| CN112907456B (zh) | 基于全局平滑约束先验模型的深度神经网络图像去噪方法 | |
| CN113066023A (zh) | 一种基于自校准卷积神经网络的sar图像去斑方法 | |
| Yap et al. | Adaptive image restoration based on hierarchical neural networks | |
| CN114124908B (zh) | 基于人工智能的设备生产中数据发送的控制方法 | |
| Wang et al. | A contrastive learning-based iterative network for remote sensing image super-resolution |
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 |