WX_Chen的博客

IQA(图像质量评估) 图像质量评价（Image Quality Assessment,IQA）盲图像质量指标（BIQI）自然图像质量评价方法(NIQE)：采用96*96块间无重合的方式对图像对比度归一化进行分块。计算每个块的局部对比度的均值。https://www.cnblogs.com/libai123456/p/9622484.html=============================================================================.

2020-CVPR-波士顿电子制造商-Noisier2Noise_ Learning to Denoise from Unpaired Noisy DataNoisier2Noise: Learning to Denoise from Unpaired Noisy Data2018-ICML-英伟达-Noise2Noise: Learning Image Restoration without Clean Data本来我们做图像降噪，需要输入的噪音图像 x，和 “干净样本” y。如果用 y 作

2018-TIP-哈工大-(FFDNet)Toward a Fast and Flexible Solution for CNN based Image Denoising代码* Models have been trained for values of noise in [0, 75]* *add_noise* can be set to *False* if the input image is already noisyhttp://www.ipol.im/pub/art/2019/231

GoPro 高清录影器材公司代码 (没有训练代码)Models have been trained for values of noise in [5, 55]https://github.com/m-tassano/dvdnet作者https://m-tassano.github.io/输入：相邻5帧图像、noise map输出：当前帧去噪后图像网络：空域去噪模块是12层conv（参考FFDNet），时域去噪模块是6层conv数据集：Davis数据集，约45万样本Loss.

基于核预测的FastDVDNet视频去噪技术VNLnet、VNLB和DVDNet等算法的诞生则能有效地去除噪声。对于加强时间一致性我们可以从以下两方面入手：将搜索区域从空间邻域扩展到时空邻域；使用运动估计。现在最先进的视频去噪方法FastDVDNet能很好地解决时间一致性这个问题，从而达到高效的视频去噪效果。输入：图像序列与噪声估计，其中噪声作为输入是为了允许处理空间变化的噪声。（给补齐帧添加噪声？）输出：t时刻的帧连续5帧和一个噪声的估计一起作为网络的输入Block1和Block

ffmpeg版本（NLM时域版本）：ffmpeg -s $wx$h -pix_fmt yuv420p -i $input -vf nlmeans=h=2:range=3:temporal=1 $output-vf nlmeans=h=2:range=3:temporal=1 为参数调节，使用的ffmpeg是这个官网The filter is named nlmeans and has the following parameters:h - averaging weight decay p

BM3D（Block-matching and 3D filtering，3维块匹配滤波）2007-TIP-Image denoising by sparse 3D transform-domain collaborative lteringNL-means （空间域处理）非局部均值算法p像素的值的大小就应该为q1q2q3每个与p对应房间（像素）值的加权平均，这样就对P图像斑块完成了降噪的过程，类似一个基于大斑块的高斯滤波算法。BM3D把空间域和变换域的降噪方法结合起来BM3D该..

图像视频降噪的现在与未来——从经典方法到深度学习DVDNet，它会对当前帧和临近帧做空域上的卷积降噪，然后通过光流网络将临近帧与当前帧对齐，最后在对齐后的图像上做时域降噪。FasrDVDnet是DVDNet的加速版，为了提高处理速度，它舍弃了光流对齐，直接把临近帧输入到一个两级的深度网络中做降噪。https://segmentfault.com/a/1190000021721649代码https://github.com/oneTaken/Awesome-Denoise2020-arxi.

预测出的Kernels对于周围像素点的权重，以及周围像素点的选择方式。从BM3D这类经典的传统图像去噪方式起，不同方法之间的最大区别就在于如何用一种有效的方式选择合适的像素点、以及如何定义这些像素点的权重，进而对这些像素点加权平均可得到近似“干净”的图像，也就达到了图像去噪的目的。这篇文章提出的DKPN（暂且称之为DKPN），预测出per-pixel的自适应卷积核，但是对于可变形卷积来说，不仅包含weights和bias两部分，还会包含offsets，用于指示“周围像素”是指哪些像素，打破了传统卷积

A patch centered at pixel x in frame t. The positions of n similar patches are (xi , ti). An n dimensional non-local feature vector :输入：原图， n维non-local特征向量输出：残差图网络：4层Conv+ReLU，DnCNN 数据集：YouTube视频，共16950个片段，分辨率1280x720，包含64个类别，如汽车、工厂等Lo...