- 博客(6)
- 收藏
- 关注
RSS订阅原创 DEAMNet:Adaptive Consistency Prior based Deep Network for Image Denoising CVPR2021
最近的研究表明，深度网络可以在图像去噪方面取得良好的效果。然而，如何同时将传统方法的宝贵成果纳入网络设计中，提高网络的可解释性仍是一个有待解决的问题。为了解决这一问题，我们提出了一种新的基于模型的去噪方法来指导我们的去噪网络的设计。首先，通过在传统的一致性先验中引入一个非线性滤波算子、一个可靠性矩阵和一个高维特征变换函数，我们提出了一种新的自适应一致性先验（ACP）。其次，通过将ACP项纳入最大后验框架，提出了一种基于模型的去噪方法。该方法进一步被用于告知网络设计，导致了一种新的端到端可训练和可解释的深度去
2024-10-06 20:32:08
948
原创 CBDNet:Toward Convolutional Blind Denoising of Real Photographs
虽然深度卷积神经网络 （CNN） 在使用附加高斯白噪声 （AWGN）（Additive White Gaussian Noise，加性的意思是，可以将噪声直接加在原始信号上） 进行图像去噪方面取得了令人印象深刻的成功，但它们的性能主要受限于现实世界的噪声照片。主要原因是他们学习的模型很容易在简化的 AWGN 模型上过拟合，这与复杂的真实噪声模型严重不同。为了证明深度 CNN 降噪器的泛化能力，我们建议使用更真实的噪声模型和真实世界的噪声-干净图像对来训练卷积盲去噪网络 （CBDNet）。一方面，信号相关噪声
2024-09-29 11:31:51
949
原创 DnCNN:Beyond a Gaussian Denoiser: Residual Learning ofDeep CNN for Image Denoising
图像去噪是低级视觉中一个经典但仍然活跃的课题，因为它是许多实际应用中不可或缺的步骤。图像去噪的目标是从遵循图像退化模型y = x + v的噪声观测y中恢复一个干净的图像x。一个常见的假设是v是具有标准差σ的加性高斯白噪声（AWGN）。从贝叶斯的角度来看，当可能性已知时，图像先验建模将在图像去噪中起着核心作用。
2024-09-10 17:51:24
1104
原创 深度学习入门（小土堆pytorch视频笔记）：复盘自用
例如：dir(torch);help(torch.cuda.is_available)1.类的成员变量可以忽略不写，在构造方法中直接使用（即赋值又定义）2.def就是函数，def__init__()为构造方法 :init前后两个下划线3.self（必须有）相当于java中的this4.class MyData(Dataset): 子类MyData继承父类Dataset5.import`导入整个模块，而 from import`导入指定成员
2024-01-23 17:54:31
1202
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人