CN114764750B - 基于自适应一致性先验深度网络的图像去噪方法 - Google Patents
基于自适应一致性先验深度网络的图像去噪方法 Download PDFInfo
- Publication number
- CN114764750B CN114764750B CN202110035825.7A CN202110035825A CN114764750B CN 114764750 B CN114764750 B CN 114764750B CN 202110035825 A CN202110035825 A CN 202110035825A CN 114764750 B CN114764750 B CN 114764750B
- Authority
- CN
- China
- Prior art keywords
- image
- priori
- module
- consistency
- adaptive
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 27
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000009977 dual effect Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 7
- 238000003909 pattern recognition Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 239000000654 additive Substances 0.000 description 5
- 230000000996 additive effect Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 238000011084 recovery Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- VREFGVBLTWBCJP-UHFFFAOYSA-N alprazolam Chemical compound C12=CC(Cl)=CC=C2N2C(C)=NN=C2CN=C1C1=CC=CC=C1 VREFGVBLTWBCJP-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
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
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
本发明公开了一种基于自适应一致性先验深度网络的图像去噪方法。主要包括以下步骤：在一致性先验的基础上构建了自适应一致性先验；根据前一步骤得到的自适应一致性先验，构造在特征域中求解的图像去噪代价函数；利用基于梯度的方法来最优化前一步骤中构造的代价函数，得到基于自适应一致性先验深度网络的图像去噪迭代框架；将迭代框架展开成一种深度神经网络模型；训练构建的深度神经网络模型；将噪声图像作为输入，利用前一步骤训练好的深度神经网络模型得到恢复的高质量图像。本发明所述的方法能够获得很好的去噪效果，是一种有效的图像去噪方法。
Description
技术领域
本发明涉及图像去噪技术，具体涉及一种基于自适应一致性先验深度网络的图像去噪方法，属于数字图像处理领域的图像复原方向。
背景技术
由于成像系统、传输介质和记录设备等的不完善，数字图像在其形成、传输记录过程中往往会受到多种噪声的污染，影响图像的视觉效果，甚至妨碍人们正常识别。图像去噪正是解决该问题的关键技术，其目的是从有噪声的图像y中得到高质量的图像x，改善图像质量，为后续进一步对图像边缘检测、特征提取、图像分割、模式识别等处理奠定基础。此技术也是数字图像处理领域中一个被广泛研究的热点课题，具有十分重要的实际应用价值。该降质模型可以表示为y＝x+v，其中v一般被假设是标准差为v的加性高斯白噪声(additive white Gaussian noise,AWGN)。图像去噪是一个典型的病态逆问题，因此如何利用图像的先验知识来约束求解过程变得尤为关键。
目前，图像去噪的方法主要包含三类：基于滤波的方法、基于模型的方法与基于学习的方法。基于滤波的方法主要利用人工设计的某些滤波器来去除图像噪声；基于模型的方法通常将去噪任务表示为基于最大后验的优化问题，其性能主要取决于图像先验；基于学习的去噪方法则侧重于神经网络通过学习大量有噪和无噪图像对之间的映射关系来进行图像去噪，可分为传统的基于学习的方法和基于深度网络的方法。然而，大多数基于深度网络方法的体系结构都是凭经验设计的，其还没有充分对传统算法的成果进行考虑，因此在一定程度上面临着网络可解释性不足的问题。
发明内容
本发明的目的是通过在传统一致性先验中引入非线性滤波算子、可靠性矩阵和高维特征变换函数，进而提出了一种新的自适应一致性先验(Adaptive Consistency Prior,ACP)。其次，通过将ACP项引入最大后验框架，提出一种基于模型的去噪方法。该方法被进一步用于指导网络设计，得到一种新颖的端到端可训练和可解释的深度去噪网络，称为DeamNet。在该网络中形成了一个新的模块称为对偶注意力机制(Dual Element-wiseAttention Mechanism,DEAM)模块，该模块能够潜在地应用于其他复原网络的设计中。
本发明提出的基于自适应一致性先验深度网络的图像去噪方法，主要包括以下操作步骤：
(1)在一致性先验的基础上构建了一种新型的自适应一致性先验(ACP)；
(2)根据步骤(1)的自适应一致性先验，构建在特征域中的去噪代价函数；
(3)利用基于梯度的方法来最优化步骤(2)中构造的代价函数，得到基于自适应一致性先验的图像去噪迭代框架；
(4)根据步骤(3)得到的去噪迭代框架构建深度神经网络模型；
(5)利用训练图像数据集，采用最小化损失函数的方法来对步骤(4)中构建的深度网络进行训练；
(6)输入噪声图像到步骤(5)中训练好的深度网络以得到恢复的高质量图像。
附图说明
图1是本发明基于自适应一致性先验深度网络的图像去噪方法的框图
图2是本发明非线性操作(Nonlinear Operation,NLO)模块的网络结构图
图3是本发明DEAM模块的网络结构图
图4是本发明与不同的方法对噪声标准差为50时在测试图库BSD68中“test044”图像的恢复结果对比图。
图5是本发明与不同的方法对测试图库DnD中一个图像的恢复结果对比图。
具体实施方式
下面结合附图对本发明作进一步说明：
图1中，基于自适应一致性先验深度网络的图像去噪方法，包括以下步骤：
(1)在一致性先验的基础上构建了一种新型的自适应一致性先验(ACP)；
(2)根据步骤(1)的自适应一致性先验，构建在特征域中的去噪代价函数；
(3)利用基于梯度的方法来最优化步骤(2)中构造的代价函数，得到基于自适应一致性先验的图像去噪迭代框架；
(4)根据步骤(3)得到的去噪迭代框架构建深度神经网络模型；
(5)利用训练图像数据集，采用最小化损失函数的方法来对步骤(4)中构建的深度网络进行训练；
(6)输入噪声图像到步骤(5)中训练好的深度网络以得到恢复的高质量图像。
具体地，所述步骤(1)中，由于自然图像的局部连续性和非局部自相似性，容易在局部和非局部保持强相关性，基于这些相关性，提出了一致性先验。设是一个有n个像素的高质量图像，xi表示x中的第i个像素，Di表示x内xi像素的索引向量，wij是与xi和xj相关的归一化权重，传统的一致性回归先验/>可写成：
我们可以改写上式中的先验为如下矩阵形式：
其中，是一个单位矩阵，/>为所有wij构成的一致性对角矩阵。
然而，一致性先验方法具有一定的限制，所以本发明提出了自适应一致性先验(ACP)，它综合了特征域处理、非线性滤波和可靠性估计。
设是对角线元素为al的可靠性对角矩阵(al＞0)，表示一个高维变换函数，/>代表非线性滤波(NLO)算子。ACP可以写成：
设那么/>可以在第k次迭代附近用泰勒级数近似：
其中，Jk是雅可比矩阵，因此我们可以得到：
其中对于小扰动第二项和第三项趋于零，当/>在/>附近时我们可以得到一个近似ACP：
所述步骤(2)中，通过结合(1)提出的先验模型和数据保真度项：我们构造如下的代价函数：
其中λ是正则化系数，y表示输入的噪声图像，为恢复的高质量图像。
所述步骤(3)中，虽然ACP的去噪问题可以用梯度下降法解决，但由于具有高度非线性的特点，难以计算。因此，为了避免计算/>的梯度，在迭代过程中，使用近似的ACP将x替换为k阶估计值xk，并令代价函数的导数为零，得到如下迭代式：
其中 是所有{βl}的张量形式，/>是从特征域到像素域的重构算子(/>和/>互为逆变换)，1表示与β大小相同的张量，/>表示两个张量的元素积。我们利用输入噪声图像及上述迭代式，得到如图1所示的基于自适应一致性先验深度网络的图像去噪迭代框架。
所述步骤(4)中，结合深度神经网络强大的学习能力，将(3)提出的迭代框架展开成深度神经网络模型，通过一种判别式方式从训练数据库中学习变换函数非线性操作/>和重构函数/>具体来说，我们首先将/>建模为一个卷积层和一个残差单元(一个非线性激活层被放在两个卷积层之间)组成的网络结构，即特征域模块，以实现像素域到特征域的映射，接着用如图2所示基于编解码结构的非线性操作模块实现非线性操作/>最后用“卷积层+非线性激活层+卷积层+带有一个滤波器的卷积层”的结构来实现/>即重构模块。所有的非线性激活层使用ReLU函数。
非线性操作模块由特征编码器、特征解码器和DEAM模块(用于跨尺度特征融合)组成。在每一尺度，下采样操作通过用一个步长为2的卷积层实现，而上采样操作通过最近邻插值和一个步长为1的卷积层实现。特征编码器由一系列卷积组结构(由“卷积层+非线性激活层+卷积层+非线性激活层”构成，英文缩写C-Group)和下采样操作组成，以极大地扩展感受野。特征解码器由一个C-Group和上采样操作组成。为了使自适应特征重新校准和提高模块的特征表达能力，在子网络中引入了DEAM模块。重新校准和交互后的特征通过一个卷积层和一个非线性激活层调整，然后通过一个级联层(英文缩写Concat)和一个1×1的卷积层，与上采样的卷积组特征进行融合。
DEAM模块如图3所示，此模块有两个输入(粗级别特征b和高级别特征f)和一个输出g。首先，b通过卷积层进行调整，f通过SA模块进行处理(在网络中，SA模块是每个阶段中NLO子网输出的相同矩阵，也是NLO子网的特征解码部分中C-Group输出的上采样模块)。然后，这两个调整后的输入由一个级联层连接，以获得新的特征。之后，新特征被发送到权重映射(Weights Mapping,WM)模块。在WM模块中，使用1×1卷积层来减小特征维数，再使用两个具有s0和s通道(s0<s)的3×3卷积层和一个非线性激活层来生成稳定和非线性的初始元素方式特征权重，将这些权重通过sigmoid函数激活层归一化至(0,1)并生成加权张量α。接下来，将α输入到对偶权重生成器(Dual Weights Generator,DWG)模块，分别为b和f生成两个对偶权重张量(即α1＝α和α2＝1-α)。最后，DEAM模块的输出可以表示为：
所述步骤(5)中，我们向训练数据集中的原始图像添加固定标准差的高斯白噪声生成相应的噪声图像，以此作为样本对训练(4)构建的深度神经网络模型。为了对不同标准差的噪声获得良好的去噪性能，分别训练针对不同标准差的模型。训练网络的损失函数采用均方误差函数，通过优化以下损失函数Lp来训练我们的网络，具体公式如下：
其中，N为样本数，表示代价函数，/>表示可训练参数集，y(i)和x(i)代表训练样本图像对，/>为k阶DeamNet的映射函数，p为一个正的常量。一般来说，L2损失对高斯噪声有很好的置信度，而L1损失对异常值有更好的容忍度。因此，去除高斯噪声设置p＝2，去除真实噪声设置p＝1。
所述步骤(6)中，将待处理的噪声图像输入到(5)中训练好的模型，获得恢复的高质量图像。
为了更好地说明本发明的有效性，本发明将采用对比实验的方法来展示去噪效果。对于加性高斯白噪声的去噪，实验选用了3个常用的数据集：Set12，BSD68，Urban100。对于真实噪声的去噪，实验选用了2个常用的数据集：SIDD和DnD。对比实验选取8种具有代表性的图像去噪方法与本发明的实验结果进行比较。这8个具有代表性的图像去噪方法为：
方法1：Kostadin等人提出的方法，参考文献“Kostadin Dabov,Alessandro Foi,Vladimir Katkovnik,and Karen Egiazarian.Image denoising by sparse 3-dtransform-domain collaborative filtering.IEEE Transactions on ImageProcessing,16(8):2080–2095,Aug.2007.”。
方法2：Shuhang等人提出的方法，参考文献“Shuhang Gu,Lei Zhang,WangmengZuo,and Xiangchu Feng.Weighted nuclear norm minimization with application toimage denoising.In IEEE Conference on Computer Vision and Pattern Recognition(CVPR),pages 2862–2869,Jun.2014.”。
方法3：Kai等人提出的方法，参考文献“Kai Zhang,Wangmeng Zuo,Y unjin Chen,Deyu Meng,and Lei Zhang.Beyond a gaussian denoiser:residual learning of deepcnn for image denoising.IEEE Transactions on Image Processing,26(7):3142–3155,Jul.2016.”。
方法4：Stamatios等人提出的方法，参考文献“StamatiosLefkimmiatis.Universal denoising networks:A novel cnn architecture for imagedenoising.In The IEEE Conference on Computer Vision and Pattern Recognition(CVPR),pages 3204–3213,Jun.2018.”。
方法5：Saeed等人提出的方法，参考文献“Saeed Anwar and Nick Barnes.Realimage denoising with feature attention.In The IEEE Conference on ComputerVision and Pattern Recognition(CVPR),pages3155–3164,Oct.2019.”。
方法6：Chunwei等人提出的方法，参考文献“Chunwei Tian,Y ong Xu,ZuoyongLi,Wangmeng Zuo,Lunke Fei,and Hong Liu.Attention-guided cnn for imagedenoising.Neural Networks,124:117–129,2020.”。
方法7：Shi等人提出的方法，参考文献“Shi Guo,Zifei Yan,Kai Zhang,WangmengZuo,and Lei Zhang.Toward convolutional blind denoising of real photographs.InThe IEEE Conference on Computer Vision and Pattern Recognition(CVPR),pages1712–1722,Jun.2019.”。
方法8：Yoonsik等人提出的方法，参考文献“Yoonsik Kim,Jae Woong Soh,GuYong Park,and Nam Ik Cho.Transfer learning from synthetic to real-noisedenoising with adaptive instance normalization.In The IEEE Conference onComputer Vision and Pattern Recognition(CVPR),pages 3482–3492,Jun.2020.”。
针对本发明提出的ACP先验，我们主要在高斯白噪声与真实噪声两类不同的实验设置下进行测试。客观评价指标选择峰值信噪比(Peak Signal to Noise Ratio,PSNR，单位：dB)和结构相似度(Structure Similarity Index,SSIM)。其中，PSNR值越大、SSIM值越接近于1，则去噪效果越好。
对比实验的内容如下：
实验1对应加性高斯白噪声去噪模型，对测试图库Set12，BSD68，Urban100中的原始图像分别添加15、25和50的加性高斯白噪声生成噪声图像，分别用方法1、方法2、方法3、方法4、方法5、方法6和本发明方法对噪声图像进行去噪处理。针对不同的噪声标准差，表一给出了各个方法在这些测试图库上的平均结果。另外，为了进行视觉比较，图4给出了当噪声标准差为50时各个方法在测试图库BSD68中“test044”图像的恢复结果。
表一
实验2对应真实去噪模型，采用SIDD和DnD测试图库，在合成和真实噪声的情况下，我们将这些训练图像对随机裁剪成大小为128×128的小块，为了增加训练样本，将图像进行了180°旋转和水平翻转。分别用方法1、方法3、方法5、方法7、方法8和本发明方法对噪声图像进行去噪处理。表二给出了各个方法在这些测试图库上的平均结果。另外，为了进行视觉比较，图5给出了各个方法在测试图库DnD中一个图像的去噪结果。
表二
通过对比实验可以看到，针对不同的噪声标准差，本发明无论是在高斯噪声的三个测试库还是在真实噪声的两个测试库上均取得了较高的PSNR和SIDD值，提升显著。另外，Urban100包含100张纹理和结构丰富的图片，本发明在该图库上取得了更好的去噪效果，在噪声去除和细节恢复方面具有明显的优势。
从图4和图5所示的实验结果可以看出，方法1、方法2、方法3、方法4、方法5、方法6、方法7和方法8去噪的图像边缘和纹理过于平滑或模糊，丢失了许多细节，但本发明去噪的图像边缘和纹理更清晰，产生的人工痕迹较少，与原图较为接近，视觉效果更佳。
综上所述，相比于对比的方法，本发明的去噪效果在主客观评价上都有明显的优势。因此，本发明是一种有效的图像去噪方法。
Claims (2)
1.基于自适应一致性先验深度网络的图像去噪方法，其特征在于包括以下步骤：
步骤一：构建了一种自适应一致性先验，对应的英文名称为Adaptive ConsistencyPrior,英文缩写ACP，其形式为在传统一致性先验中引入非线性滤波算子，对应的英文名称为Nonlinear Operation,英文缩写NLO，同时引入可靠性矩阵和高维特征变换函数，ACP的具体公式如下：
其中，为构造的自适应一致性先验函数表达式，＊表示近似，/>是一个有n个像素的高质量图像，/>表示一个高维变换函数，/>代表非线性滤波算子，Λ＝D(a1,...,al,...,anm)是对角线元素为al的可靠性对角矩阵，且al元素数值均大于0，k表示第k次迭代；
步骤二：根据步骤一的自适应一致性先验，构建在特征域中的去噪代价函数，具体公式如下：
其中，λ是正则化系数，为自适应一致性先验函数表达式，y表示输入的噪声图像，/>为恢复的高质量图像，/>即/>分别代表y，x经过/>高维变换的结果；
步骤三：利用基于梯度的方法来最优化步骤二中构造的代价函数，得到基于自适应一致性先验模型图像去噪迭代框架，具体公式为：
其中，λ表示正则化系数，al是可靠性对角矩阵Λ中的对角线元素，/>是所有{βl}的张量形式，/>是从特征域到像素域的重构算子，表示一个高维变换函数，并且/>和/>互为逆变换，/>表示非线性滤波算子操作，xk表示基于自适应一致性先验模型图像去噪迭代框架第k次迭代的输出结果，1表示与β大小相同的张量，/>表示两个张量的元素积；
步骤四：根据步骤三得到的去噪迭代框架构建深度神经网络模型，结合深度神经网络强大的学习能力，该模型从训练数据库中学习变换函数非线性滤波算子/>和重构函数/>将/>建模为一个卷积层和一个残差单元组成的网络结构，具体是将一个非线性激活层被放在两个卷积层之间；用“卷积层+非线性激活层+卷积层+带有一个滤波器的卷积层”的结构来实现/>提出一种基于编解码结构的非线性运算模块实现/>
步骤五：利用训练图像数据集，采用最小化损失函数的方法来对步骤四中构建的深度神经网络进行训练；
步骤六：输入噪声图像到步骤五中训练好的深度神经网络以得到恢复的高质量图像。
2.根据权利要求1所述的基于自适应一致性先验深度网络的图像去噪方法，其特征在于步骤四中提出的深度神经网络模型，该模型中的NLO模块由特征编码器、特征解码器和对偶注意力机制模块组成，特征编码器由一系列卷积组结构组成，其中一系列卷积组结构由“卷积层+非线性激活层+卷积层+非线性激活层”构成，对应的英文缩写C-Group；下采样是通过用一个步长为2的卷积层实现；特征解码器由一个C-Group和上采样操作组成，其中上采样通过最近邻插值和一个步长为1的卷积层实现；对偶注意力机制模块，即DualElement-wise Attention Mechanism,英文缩写为DEAM，在子网络中引入DEAM模块用于融合当前尺度和相邻尺度的特征图，它包括粗级别特征b和高级别特征f在内的两个输入和一个输出g；b通过卷积层进行调整，f通过SA模块进行处理，这两个调整后的输入由一个级联层连接，以获得新的特征，并将其发送到权重映射模块，即Weights Mapping，英文缩写WM；其中SA模块是每个阶段中NLO子网络输出的相同矩阵，也是NLO子网的特征解码部分中C-Group输出的上采样模块；在WM模块中，使用1×1卷积层来减小特征维数，再使用两个具有s0和s通道的3×3卷积层和一个非线性激活层来生成稳定和非线性的初始元素方式特征权重，其中s0<s，将这些权重通过sigmoid函数激活层归一化至(0,1)范围并生成加权张量α；将α输入到对偶权重生成器模块，即Dual Weights Generator，英文缩写DWG，分别为b和f生成两个对偶权重张量，即α1＝α和α2＝1-α；最后，DEAM模块的输出可以表示为：
其中1表示与α大小相同的张量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110035825.7A CN114764750B (zh) | 2021-01-12 | 2021-01-12 | 基于自适应一致性先验深度网络的图像去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110035825.7A CN114764750B (zh) | 2021-01-12 | 2021-01-12 | 基于自适应一致性先验深度网络的图像去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114764750A CN114764750A (zh) | 2022-07-19 |
| CN114764750B true CN114764750B (zh) | 2023-08-18 |
Family
ID=82363967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110035825.7A Active CN114764750B (zh) | 2021-01-12 | 2021-01-12 | 基于自适应一致性先验深度网络的图像去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114764750B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116523800B (zh) * | 2023-07-03 | 2023-09-22 | 南京邮电大学 | 基于残差密集网络与注意力机制的图像降噪模型及方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008101962A (ja) * | 2006-10-18 | 2008-05-01 | Toray Ind Inc | アライメントマークの認識方法 |
| AU2020100460A4 (en) * | 2020-03-26 | 2020-04-30 | Huang, Shuying DR | Single image deraining algorithm based on multi-scale dictionary |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7373013B2 (en) * | 2003-12-23 | 2008-05-13 | General Instrument Corporation | Directional video filters for locally adaptive spatial noise reduction |
| WO2015138820A1 (en) * | 2014-03-12 | 2015-09-17 | ClearMark Systems, LLC | System and method for authentication |
| US10475165B2 (en) * | 2017-04-06 | 2019-11-12 | Disney Enterprises, Inc. | Kernel-predicting convolutional neural networks for denoising |
| WO2019128660A1 (zh) * | 2017-12-29 | 2019-07-04 | 清华大学 | 训练神经网络的方法和设备、图像处理方法和设备以及存储介质 |
| CN110210524B (zh) * | 2019-05-13 | 2023-05-02 | 东软医疗系统股份有限公司 | 一种图像增强模型的训练方法、图像增强方法及装置 |
-
2021
- 2021-01-12 CN CN202110035825.7A patent/CN114764750B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008101962A (ja) * | 2006-10-18 | 2008-05-01 | Toray Ind Inc | アライメントマークの認識方法 |
| AU2020100460A4 (en) * | 2020-03-26 | 2020-04-30 | Huang, Shuying DR | Single image deraining algorithm based on multi-scale dictionary |
Non-Patent Citations (1)
| Title |
|---|
| 庞姣 等.基于非局部自适应字典的SAR图像迭代去噪算法.《河北大学学报(自然科学版)》.2018,第38卷309-314. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114764750A (zh) | 2022-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Deng et al. | Deep convolutional neural network for multi-modal image restoration and fusion | |
| Tian et al. | Deep learning on image denoising: An overview | |
| CN109741256B (zh) | 基于稀疏表示和深度学习的图像超分辨率重建方法 | |
| Zhang et al. | Image restoration: From sparse and low-rank priors to deep priors [lecture notes] | |
| CN111028177B (zh) | 一种基于边缘的深度学习图像去运动模糊方法 | |
| Deng et al. | Deep coupled ISTA network for multi-modal image super-resolution | |
| CN110782399A (zh) | 一种基于多任务cnn的图像去模糊方法 | |
| CN111091503B (zh) | 基于深度学习的图像去失焦模糊方法 | |
| Wu et al. | Deep multi-level wavelet-cnn denoiser prior for restoring blurred image with cauchy noise | |
| CN112819705B (zh) | 一种基于网状结构与长距离相关性的真实图像去噪方法 | |
| Xiang et al. | Improved denoising auto-encoders for image denoising | |
| CN112767271A (zh) | 一种基于三维变分网络的高光谱图像深度降噪的方法 | |
| Goyal et al. | An adaptive bitonic filtering based edge fusion algorithm for Gaussian denoising | |
| CN114764750B (zh) | 基于自适应一致性先验深度网络的图像去噪方法 | |
| CN114926883A (zh) | 一种满足多种降质模型的人脸图像处理方法 | |
| CN104200439A (zh) | 基于自适应滤波和正则约束的图像超分辨方法 | |
| CN108460723B (zh) | 基于邻域相似性的双边全变分图像超分辨率重建方法 | |
| CN112132757A (zh) | 一种基于神经网络的通用图像复原方法 | |
| 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 | |
| CN116309077A (zh) | 基于空域可变模糊核估计的图像盲超分辨率重建方法 | |
| CN116611995A (zh) | 一种基于深度展开网络的手写文本图像超分辨率重建方法 | |
| 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 | |
| Yapici et al. | A review of image denoising with deep learning | |
| Latifi et al. | Image denoising using convolutional neural network | |
| Tabassum et al. | Optimal image Denoising using patch-based convolutional neural network architecture |
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 |