本文是基于patch的去噪论文。作者指出基于patch的去噪方法虽能获较好效果，但所用邻近搜索（NNS）选相似patch并非最优，会受噪声模式和不可靠像素影响。为此提出用Gaussian Mixture Model - based clustering聚集相似patch，还采用不可靠像素估计算法预处理图像。
作者认为，基于patch的去噪方法之所以可以获得较好的performance就是因为recurrence of similar patches in an input image to estimate the underlying image structures（在输入图像中重复出现类似的补丁以估计底层图像结构。）然而，denoise中所用的相似的patch是通过邻近搜索的（NNS），而有时却不是最优的。首先，对于现有的noise，NNS可以采用相似的噪声模式选择相同的patches根据参考的patch。其次，数字图像中不可靠的噪声像素会给patch块搜索过程带来偏差，导致最终去噪结果的颜色保真度下降。作者观察发现，给出一组好的patches（更加接近高斯分布而不是参考noise图的中心），作者提出采用Gaussian Mixture Model-based clustering方法来将相似的patch聚集到一起。选择合适的patch作为最终的patch来进行denoise
We also use an unreliable pixel estimation algorithm to pre-process the input noisy images to further improve the patch searching
这篇是基于patch的去噪论文
扫一扫
1894
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
