CN117333398A - 一种基于自监督的多尺度图像去噪方法及装置 - Google Patents
一种基于自监督的多尺度图像去噪方法及装置 Download PDFInfo
- Publication number
- CN117333398A CN117333398A CN202311398669.6A CN202311398669A CN117333398A CN 117333398 A CN117333398 A CN 117333398A CN 202311398669 A CN202311398669 A CN 202311398669A CN 117333398 A CN117333398 A CN 117333398A
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- denoising
- scale
- self
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000005215 recombination Methods 0.000 claims abstract description 6
- 230000006798 recombination Effects 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000008521 reorganization Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 8
- 230000010339 dilation Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于自监督的多尺度图像去噪方法及装置，以实现图像噪声去除。方法包括两个关键阶段：预训练阶段和微调阶段。在预训练阶段，利用合成噪声图像进行去噪模块的预训练，为网络建立初始的去噪能力。为了解决真实噪声图像中存在的空间相关性，引入像素重组下采样技术，有效地破解噪声之间的相关性。输出去噪后的图像，并与输入的原始图像计算两者之间的损失函数LMDM。在微调阶段，通过多个卷积层和残差块实现多尺度特征提取，同时应用上下文模块捕获多尺度信息，从而有效地进行图像去噪。本发明利用自监督学习，对真实世界中的噪声图像进行去噪，实现了图像噪声去除。
Description
技术领域
本发明涉及一种基于自监督的多尺度图像去噪方法及装置，属于计算机视觉和图像处理领域。
背景技术
在图像采集过程中，由于成像环境和设备限制，噪声往往难以避免。因此，图像去噪是计算机视觉中的重要任务。随着卷积神经网络的出现，已经提出了一些基于学习的去噪算法。传统方法通常采用合成干净-噪声图像对，通过添加加性高斯白噪声(AWGN)来进行监督学习，以获取大规模的训练数据。
然而，由于真实世界的噪声特征与AWGN存在显著差异，使用合成噪声训练的模型在真实世界的复杂和多变的噪声场景中通常表现较差。而构建干净-噪声图像对通常需要严格控制的环境，以及复杂的拍摄和后期处理，因此耗时且劳动密集，不同相机和照明条件下的噪声统计数据各不相同，无法为每种设备和场景捕获图像对。
发明内容
本发明提供了一种基于自监督的多尺度图像去噪方法及装置，解决了背景技术中披露的问题。提出了自监督图像去噪方法，仅需在噪声图像上进行训练。提出了从成对的噪声图像中学习模型的方法，但在实践中存在限制。随后，利用掩码策略将噪声图像分为输入和目标对，通过多个网络分支或扩张和掩码卷积将每个输出像素的感受野中的相应输入噪声像素排除。多尺度架构能够更好地平衡对图像细节和整体结构的恢复需求，从而提升图像去噪效果。提出了一种多尺度自适应网络用于图像去噪，通过引入自适应特征块、自适应多尺度块和自适应融合块，实现尺度内特性与跨尺度互补性的融合，但是该模型的参数量比较大，对于服务设备有一定的要求。因此本文使用自监督的方法，避免了干净-噪声图像对繁琐的制作过程，只需对噪声图像进行训练，同时将上下文模块中加入了具有不同扩张率的扩张卷积，对多尺度特征融合，捕获更多的上下文信息，提高去噪性能。
为了解决上述技术问题，本发明所采用的技术方案是：
一种基于自监督的多尺度图像去噪方法：
包括预训练阶段和微调阶段，所述预训练阶段用于预训练去噪模块，所述微调阶段用于将真实的噪声图像输入预训练好的去噪模块，输出去噪后的图像；
所述预训练阶段包括：
从合成噪声数据集中选取合成的噪声图像输入到预训练框架中，采用像素重组下采样PD对噪声图像进行固定步长因子的子采样，打破噪声空间相关性，得到像素重组后的噪声图像；
针对像素重组后的噪声图像，通过最小化去噪损失函数来优化去噪模块的参数；
利用自监督学习将去噪模块的输出经过像素重组下采样的反向操作像素重组上采样PU，恢复图像的结构信息，输出去噪后的图像；
将去噪后的图像与原始的输入图像进行比较，计算两者之间的损失函数；
所述微调阶段包括：
将真实噪声图片输入到预训练好的去噪模块中，去噪模块使用多尺度特征提取，上下文模块全面地捕获不同尺度下的噪声特征，输出去噪后的图像。
进一步地，从合成噪声数据集中选取合成的噪声图像的过程为：
使用sRGB伽马校正函数Γ来在图像的sRGB颜色域X和RAW线性颜色域Y之间进行转换：
其中，a＝0.055，b＝0.0031308，m＝12.92，γ＝2.4；首先在图像x上应用逆函数Γ-1，得到原始图像y＝Γ-1(x)；在干净图像中，噪声被定义为线性信号的标准偏差，范围从0到1。给定位置p处的真实信号强度yp，对应于噪声RAW图像中的噪声测量值/>通过一个双参数、信号相关的高斯分布来进行估计:
其中，σs和σr表征不同的传感器增益(ISO)。
进一步地，损失函数LMDM：
是来自PDs和MDM去噪模块的输出，使用L1范数；将给定的含噪图像分解为s2个子图像，其中/>对子图像应用MDM去噪模块，使用PD反向操作/>重构输出/>
进一步地，所述微调阶段中，预训练好的去噪模块引入上下文块以捕获多尺度信息，通过多个具有不同膨胀率的膨胀卷积来扩展感受野；增加特征提取的范围，在上下文块中使用了四个不同的扩张率，分别为1、2、3和4，以获得不同尺度的特征；从不同扩张率的膨胀卷积中提取的特征被融合起来，用于预测输出图像；在融合设置中，使用1×1卷积来输出融合特征，其通道数与原始输入特征的通道数相同；x(p)表示输入特征图x中位置p处的特征；相应的输出特征y(p)通过以下方式获得：
其中，N(p)表示位置p处的邻域，其大小等于卷积核的大小；wi表示卷积核中位置p处的权重，pi表示N(p)中的位置；
去除了批归一化层，同时应用了局部跳跃连接；采用了L1损失进行训练：
通过最小化L1损失，网络的参数将被优化以使预测去噪图像与目标无限接近，从而实现图像去噪的效果。
相应地，一种基于自监督的多尺度图像去噪装置，包括：
自监督预训练去噪模块，用于引入辅助任务，打破噪声相关性并监督噪声之间的差异，引导模型学习与图像内容相关的特征表示，区分噪声与信号；
像素重组下采样模块，用于通过对图像进行固定步长因子的子采样，使得原本相邻的像素被分散到不同的子图像中；
多尺度去噪模块，用于处理不同尺度下的图像信息，保护图像细节和结构；
上下文模块，用于从不同感受野提取的信息进行综合估计，在编码器和解码器之间的最小尺度中引入膨胀卷积，全面捕获了图像特征。
相应地，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据上述述的方法中的任一方法。
相应地，一种计算设备，其特征在于，包括：
一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据上述的方法中的任一方法的指令。
本发明所达到的有益效果：
本发明提出一种基于自监督的多尺度图像去噪方法及装置，利用自监督方法，对网络中的去噪模块预训练，避免了手动标注的干净图像和噪声图像对，降低了数据需求和准备的复杂度；本发明将真实的噪声图像作为输入到去噪模块中，利用多个卷积层和残差块进行多尺度提取特征，上下文模块捕获多尺度信息，保护图像细节和结构，获得更干净的图像。
附图说明
图1是一种实施例下本发明所述一种自监督的多尺度图像去噪流程示意图；
图2是一种实施例下本发明所述一种基于自监督的多尺度图像去噪装置框架示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，本发明所述的一种基于自监督的多尺度图像去噪方法，包括步骤：
步骤1，从合成噪声数据集中，选取自己合成的噪声图像输入到预训练框架中，辅助任务打破图像中噪声之间的相关性，监督信号为噪声之间的差异程度。为了解决真实世界噪声的空间相关性，采用像素重组下采样(Pixel-Shuffle Downsampling，PD)，PD通过对噪声图像进行固定步长因子的子采样，从而有效地增加了噪声信号之间的实际距离，打破噪声空间相关性。
步骤2，针对步骤1的输出，对去噪模块预训练，预训练的目标是通过最小化去噪损失函数来优化去噪模块的参数，使其能够对噪声图像进行去噪；
步骤3，利用自监督学习将步骤2去噪模块的输出经过像素重组下采样的反向操作像素重组上采样(Pixel-Shuffle Upsampling，PU)，恢复图像的结构信息，输出去噪后的图像Denoised output；
步骤4，利用Pixel-Shuffle Upsampling将步骤3所述去噪后的图像Denoisedoutput与原始的输入图像进行比较，计算两者之间的损失函数Lloss；
步骤5，微调阶段的输入来源于公开的真实噪声数据集SIDD，将噪声图片输入到预训练好的去噪模块中，使用多尺度特征提取，上下文模块全面地捕获不同尺度下的噪声特征，输出去噪后的图像。
所述步骤1的方法具体如下：
步骤1.1，在Flicker 2W数据集上合成噪声，制作自己的噪声数据集用于预训练。使用sRGB伽马校正函数Γ来在图像的sRGB颜色域X和RAW线性颜色域Y之间进行转换：
其中，a＝0.055，b＝0.0031308，m＝12.92，γ＝2.4。首先在图像x上应用逆函数Γ-1，得到原始图像y＝Γ-1(x)。在干净图像中，噪声被定义为线性信号的标准偏差，范围从0到1。给定位置p处的真实信号强度yp，对应于噪声RAW图像中的噪声测量值/>通过一个双参数、信号相关的高斯分布来进行估计:
其中，σs和σr表征不同的传感器增益(ISO)；
步骤1.2，利用像素重组下采样对步骤1.1输入的合成噪声图像进行处理，首先确定一个步长因子s，表示每隔多少个像素进行一次采样。通过将图像分成块，将块内的像素重新排列成一个更小的图像，形成一个马赛克状的子图像，打破了噪声之间的空间相关性，得到像素重组后的噪声图像。
所述步骤3的方法具体如下：
将步骤2中预训练去噪模块的输出，即去噪后的图像应用像素重组上采样(PU)操作。与步骤2中的像素重组下采样(PD)相反，对于每个小块的像素，我们将它们重新排列以恢复高分辨率图像的细节，恢复图像的结构信息；
采用双线性插值来填充生成图像中的空白像素，以使图像达到期望的分辨率。
所述步骤4的方法具体如下：
在步骤3中，我们通过像素重组下采样(PD)获得了去噪后的图像Denoisedoutput，接下来，我们需要将其恢复到原始的空间分辨率。为此，我们使用像素重组上采样(PU)来执行反向操作，将去噪输出图像恢复为与原始输入图像相同的尺寸：
PU(Denoised output)＝Upsample(Denoised output)
损失计算：
其中，Upsample(·)表示像素重组上采样操作，Denoised outputij和NoisyInputij分别表示在位置处的去噪输出和原始输入图像的像素值。
将步骤3去噪后的图像Denoised output与原始的输入图像进行比较，计算两者之间的损失函数LMDM：
是来自PDs和MDM去噪模块的输出，为了获得更好的泛化性能，我们使用L1范数。将给定的含噪图像分解为s2个子图像，其中/>对子图像应用MDM去噪模块，使用PD反向操作/>重构输出/>
所述步骤5的方法具体如下：
步骤5.1：首先，我们选择公开的噪声数据集SIDD作为我们的训练数据集。这个数据集包含了含噪真实世界图像，它将用于训练我们的去噪模块。
步骤5.2：我们将预训练好的去噪模块引入，由多个堆叠的残差块组成，可以处理不同尺度的图像噪声。为了在不丧失空间分辨率的情况下增加感受野和捕获多尺度信息，我们在编码器和解码器之间的最小尺度上引入了一个上下文块。
步骤5.3：引入上下文块以捕获多尺度信息，通过使用多个具有不同膨胀率的膨胀卷积来扩展感受野。增加特征提取的范围，而无需增加参数数量，在上下文块中使用了四个不同的扩张率，分别为1、2、3和4，以获得不同尺度的特征。从不同扩张率的膨胀卷积中提取的特征被融合起来，用于预测输出图像。我们使用1×1卷积来输出融合特征，其通道数与原始输入特征的通道数相同。x(p)表示输入特征图x中位置p处的特征。对于传统的卷积操作，相应的输出特征y(p)可以通过以下方式获得：
其中，N(p)表示位置p处的邻域，其大小等于卷积核的大小。wi表示卷积核中位置p处的权重，pi表示N(p)中的位置。传统的卷积操作在计算输出特征时严格采用固定位置周围的特征。
步骤5.4：为了进一步改进上下文模块，我们去除了批归一化层，同时应用了局部跳跃连接。局部跳跃连接可以帮助防止信息的阻塞，确保特征在不同尺度上的传递和融合。在本实验中，我们采用了L1损失进行训练：
通过最小化L1损失，网络的参数将被优化以使预测去噪图像与目标尽可能接近，从而实现图像去噪的效果。
如图2所示，本发明还提出一种基于自监督的图像多尺度去噪方法的装置，包括：
自监督预训练去噪模块，引入辅助任务，打破噪声相关性并监督噪声之间的差异，引导模型学习与图像内容相关的特征表示，区分噪声与信号。避免了手动标注的干净图像和噪声图像对，从而降低了数据需求和准备的复杂度；
像素重组下采样模块，通过对图像进行固定步长因子的子采样，使得原本相邻的像素被分散到不同的子图像中，从而有效地增加了噪声信号之间的实际距离；
多尺度去噪模块，用于处理不同尺度下的图像信息，保护图像细节和结构，避免信息丢失，同时提高噪声抑制效果，获得更干净的图像。更好地把握图像整体特征，适应不同噪声水平，提高算法的鲁棒性和稳定性；
上下文模块，用于从不同感受野提取的信息进行综合估计，增强了模型对图像内容的理解和预测能力。在编码器和解码器之间的最小尺度中引入膨胀卷积，全面捕获了图像特征，提升了多尺度图像去噪的质量和效果。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行一种基于自监督的多尺度图像去噪方法。
一种计算设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行一种基于自监督的多尺度图像去噪方法的指令。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。
Claims (7)
1.一种基于自监督的多尺度图像去噪方法，其特征在于：
包括预训练阶段和微调阶段，所述预训练阶段用于预训练去噪模块，所述微调阶段用于将真实的噪声图像输入预训练好的去噪模块，输出去噪后的图像；
所述预训练阶段包括：
从合成噪声数据集中选取合成的噪声图像输入到预训练框架中，采用像素重组下采样PD对噪声图像进行固定步长因子的子采样，打破噪声空间相关性，得到像素重组后的噪声图像；
针对像素重组后的噪声图像，通过最小化去噪损失函数来优化去噪模块的参数；
利用自监督学习将去噪模块的输出经过像素重组下采样的反向操作像素重组上采样PU，恢复图像的结构信息，输出去噪后的图像；
将去噪后的图像与原始的输入图像进行比较，计算两者之间的损失函数；
所述微调阶段包括：
将真实噪声图片输入到预训练好的去噪模块中，去噪模块使用多尺度特征提取，上下文模块全面地捕获不同尺度下的噪声特征，输出去噪后的图像。
2.根据权利要求1所述的基于自监督的多尺度图像去噪方法，其特征在于：
从合成噪声数据集中选取合成的噪声图像的过程为：
使用sRGB伽马校正函数Γ来在图像的sRGB颜色域X和RAW线性颜色域Y之间进行转换：
其中，a＝0.055，b＝0.0031308，m＝12.92，γ＝2.4；首先在图像x上应用逆函数Γ-1，得到原始图像y＝Γ-1(x)；在干净图像中，噪声被定义为线性信号的标准偏差，范围从0到1。给定位置p处的真实信号强度yp，对应于噪声RAW图像中的噪声测量值/>通过一个双参数、信号相关的高斯分布来进行估计:
其中，σs和σr表征不同的传感器增益(ISO)。
3.根据权利要求1所述的基于自监督的多尺度图像去噪方法，其特征在于：
损失函数LMDM：
是来自PDs和MDM去噪模块的输出，使用L1范数；将给定的含噪图像分解为s2个子图像，其中/>对子图像应用MDM去噪模块，使用PD反向操作/>重构输出
4.根据权利要求1所述的基于自监督的多尺度图像去噪方法，其特征在于：
所述微调阶段中，预训练好的去噪模块引入上下文块以捕获多尺度信息，通过多个具有不同膨胀率的膨胀卷积来扩展感受野；增加特征提取的范围，在上下文块中使用了四个不同的扩张率，分别为1、2、3和4，以获得不同尺度的特征；从不同扩张率的膨胀卷积中提取的特征被融合起来，用于预测输出图像；在融合设置中，使用1×1卷积来输出融合特征，其通道数与原始输入特征的通道数相同；x(p)表示输入特征图x中位置p处的特征；相应的输出特征y(p)通过以下方式获得：
其中，N(p)表示位置p处的邻域，其大小等于卷积核的大小；wi表示卷积核中位置p处的权重，pi表示N(p)中的位置；
去除了批归一化层，同时应用了局部跳跃连接；采用了L1损失进行训练：
通过最小化L1损失，网络的参数将被优化以使预测去噪图像与目标无限接近，从而实现图像去噪的效果。
5.一种基于自监督的多尺度图像去噪装置，其特征在于，包括
自监督预训练去噪模块，用于引入辅助任务，打破噪声相关性并监督噪声之间的差异，引导模型学习与图像内容相关的特征表示，区分噪声与信号；
像素重组下采样模块，用于通过对图像进行固定步长因子的子采样，使得原本相邻的像素被分散到不同的子图像中；
多尺度去噪模块，用于处理不同尺度下的图像信息，保护图像细节和结构；
上下文模块，用于从不同感受野提取的信息进行综合估计，在编码器和解码器之间的最小尺度中引入膨胀卷积，全面捕获了图像特征。
6.一种存储一个或多个程序的计算机可读存储介质，其特征在于：所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至4所述的方法中的任一方法。
7.一种计算设备，其特征在于，包括：
一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至4所述的方法中的任一方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311398669.6A CN117333398A (zh) | 2023-10-26 | 2023-10-26 | 一种基于自监督的多尺度图像去噪方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311398669.6A CN117333398A (zh) | 2023-10-26 | 2023-10-26 | 一种基于自监督的多尺度图像去噪方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117333398A true CN117333398A (zh) | 2024-01-02 |
Family
ID=89275391
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311398669.6A Pending CN117333398A (zh) | 2023-10-26 | 2023-10-26 | 一种基于自监督的多尺度图像去噪方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117333398A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN118154468A (zh) * | 2024-05-11 | 2024-06-07 | 北京理工大学 | 一种基于隐空间扩散模型的模糊图像通用增强方法 |
-
2023
- 2023-10-26 CN CN202311398669.6A patent/CN117333398A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN118154468A (zh) * | 2024-05-11 | 2024-06-07 | 北京理工大学 | 一种基于隐空间扩散模型的模糊图像通用增强方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112233038B (zh) | 基于多尺度融合及边缘增强的真实图像去噪方法 | |
| CN110782399B (zh) | 一种基于多任务cnn的图像去模糊方法 | |
| CN113658051B (zh) | 一种基于循环生成对抗网络的图像去雾方法及系统 | |
| CN110324664B (zh) | 一种基于神经网络的视频补帧方法及其模型的训练方法 | |
| CN110120011B (zh) | 一种基于卷积神经网络和混合分辨率的视频超分辨方法 | |
| CN111028177B (zh) | 一种基于边缘的深度学习图像去运动模糊方法 | |
| CN111028150B (zh) | 一种快速时空残差注意力视频超分辨率重建方法 | |
| CN112164011B (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 | |
| CN111127336A (zh) | 一种基于自适应选择模块的图像信号处理方法 | |
| CN117333398A (zh) | 一种基于自监督的多尺度图像去噪方法及装置 | |
| CN110610467B (zh) | 一种基于深度学习的多帧视频去压缩噪声方法 | |
| CN113450290A (zh) | 基于图像修补技术的低照度图像增强方法及系统 | |
| 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 | |
| CN114723630A (zh) | 基于空洞双残差多尺度深度网络的图像去模糊方法及系统 | |
| CN113902647A (zh) | 一种基于双闭环网络的图像去模糊方法 | |
| CN115345791A (zh) | 一种基于注意力机制残差网络模型的红外图像去模糊算法 | |
| CN115293968A (zh) | 一种超轻量高效的单图像超分辨率方法 | |
| CN114897711A (zh) | 一种视频中图像处理方法、装置、设备及存储介质 | |
| CN113096032B (zh) | 一种基于图像区域划分的非均匀一致模糊去除方法 | |
| CN113888405A (zh) | 基于分簇自适应膨胀卷积神经网络的去噪去马赛克方法 | |
| CN112132757B (zh) | 一种基于神经网络的通用图像复原方法 | |
| CN117745541A (zh) | 一种基于轻量级混合注意力网络的图像超分辨率重建方法 | |
| CN115272131B (zh) | 基于自适应多光谱编码的图像去摩尔纹系统及方法 | |
| CN114943655B (zh) | 基于循环深度卷积生成对抗网络结构的图像修复系统 | |
| CN116823662A (zh) | 一种融合原生特征的图像去噪去模糊方法 |
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 |