代码实现——注意力引导的CNN图像去噪（Attention-guided CNN for image denoising）

最新推荐文章于 2025-05-13 15:59:36 发布
原创 最新推荐文章于 2025-05-13 15:59:36 发布 · 5.6k 阅读 · 57 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#计算机视觉 #深度学习 #tensorflow

本文介绍了使用注意力引导的CNN进行图像去噪的方法，包括SBNet、FEBNet、ABNet和RBNet四个部分。SBNet采用交错的CBR和DBR块，FEBNet利用跳跃连接融合信息，ABNet根据特征分配权重，RBNet进行图像重建。提供了tensorflow实现的代码仓库链接，以及训练和测试的步骤。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

今天给大家带来一篇注意力引导的CNN图像去噪文章《Attention-guided CNN for image denoising》。我用tensorflow的实现版本可以在我的github上找到。传送门：https://github.com/sun126/ADNet。

整体的网络结构如下图：

主要分为四个部分：SBNet，FEBNet，ABNet，RBNet。

SBNet：是由CBR（Conv+BN+ReLU）与DBR（Dilated Conv+BN+ReLU）交错组成的稀疏块。Dilated Conv是空洞卷积，目的是不在池化导致信息损失的情况下增大感受野。作者在论文后面论述了此处设计的合理性。

FEBNet：利用跳跃连接融合浅层与深层的信息，提高深层网路的表达能力（ResNet思想）。

ABNet：将前面提取的结果作为权重因子，赋予图片不同位置不同的权重，目的是挖掘潜藏在复杂背景中的噪声。

RBNet࿱

最低0.47元/天 解锁文章
Jason_Fng
关注
【图像去噪】论文精读：Attention-guided CNN for Image Denoising（ADNet）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
11-30 431
论文题目：Attention-guided CNN for Image Denoising：用于图像去噪的注意引导CNN注意力用于图像去噪！深度卷积神经网络 (CNN) 在低级计算机视觉中引起了相当大的兴趣。研究通常致力于通过非常深的 CNN 来提高性能。然而，随着深度的增加，浅层对深层的影响减弱。受此启发，我们提出了一种注意力引导去噪卷积神经网络（ADNet），主要包括稀疏块（SB）、特征增强块（FEB）、注意块（AB）和重建块（RB）用于图像去噪。
基于BdCNN算法实现图像去噪 | Matlab源码
code_welike的博客
07-28 262
本文介绍了如何使用BdCNN算法实现图像去噪，并提供了相应的Matlab源码。BdCNN算法是一种有效的去噪方法，它可以学习图像的特征并去除噪声。在实际应用中，可以使用该方法来提高图像质量，并且该方法具有较好的性能和鲁棒性。在本文中，我们使用了一个四层的CNN模型，并设置每个卷积层和池化层之间的步幅为1。而且，在某些情况下，它可以对图像的质量产生严重的影响。在本文中，我们使用一些测试图像来评估模型的性能。本文介绍的是如何使用BdCNN算法实现图像去噪，并提供相应的Matlab源码。
Attention-guided CNN for image denoising.pptx
02-26
深度卷积神经网络(CNNs)在低层次计算机视觉领域引起了广泛的关注。通过很深的CNN网络来提高性能。但随着深度的增加，浅层的信息被忽略掉。受这样的事实启发，我们提出了一种基于注意引导的卷积神经网络(ADNet)去噪方法，主要包括一个稀疏块(SB)、一个特征增强块(FEB)、一个注意块(AB)和一个重构块(RB)。
图像去噪论文 Attention Guided CNN for Image Denoising
ydd的博客，记录生活
10-12 7147
Attention-guided CNN for image denoising 发表期刊 ： Neural Networks 124 (2020) 117–129 https://doi.org/10.1016/j.neunet.2019.12.024 Paper and Code Sci-Hub 实时更新 : https://tool.yovisun.com/scihub/ 摘要： 提出一种注意力导向的去噪卷积神经网络（ADNet），主要包括稀疏块（SB），特征增强块（FEB），注意力块（AB）和重构块
CNN去噪：图像去噪神经网络完整实现项目实战
最新发布
weixin_32102617的博客
05-13 1168
随着深度学习技术的飞速发展，卷积神经网络（CNN）已经成为处理图像和视频识别任务的强大工具。CNN以其独特的结构能够自动和有效地从图像中提取特征，大大推动了计算机视觉领域的发展。图像去噪是数字图像处理的一个重要分支，旨在从带噪声的图像中去除或减少噪声，恢复出更清晰、质量更高的图像。噪声通常来源于图像的采集和传输过程，例如传感器的电子噪声、光照不均匀性或者压缩过程引入的失真。去噪的目的在于消除这些不必要的干扰，提高图像质量，这对于后续的图像分析、识别和理解任务至关重要。
基于深度卷积神经网络的图像去噪方法
热门推荐
qq_40716944的博客
04-26 7万+
基于深度卷积神经网络的图像去噪方法摘要：图像去噪在图像处理中仍然是一个具有挑战性的问题。作者提出了一种基于深度卷积神经网络（DCNN）的图像去噪方法。作者设计的不同于其他基于学习的方法：一个DCNN来实现噪声图像。因此，通过从污染图像中分离噪声图像可以实现潜在清晰图像。在训练阶段，采用梯度裁剪方案来防止梯度爆炸，并使网络能够快速收敛。实验结果表明，与现有技术的去噪方法相比，所提出的去噪方法可以实...
论文Attention-guided CNN for image denoising解读
yilia学习小园
04-28 1564
文章目录1. 论文简介2. 模型结构分析1) 网络架构2) 损失函数3) Sparse block(SB)模块分析3) Feature enhancement block(FEB)模块分析3) Attention block(AB)模块分析3) Reconstruction block(RB)模块分析3. 实验 1. 论文简介 该论文介绍了一个注意力引导的降噪卷积神经网络（ADNet）。该网络主要包括4个模块，分别是稀疏模块（sparse block，SB），特征提升模块（feature enhancem
ADNet:注意力导向的CNN图像去噪（神经网络，2020年）
05-02
田春伟，徐永，李作勇，左望萌，费伦和刘宏的Atent-guided CNN for图像降噪（ADNet）由神经网络（IF：5.535）于2020年发布（ ），并由Pytorch实现。 这篇论文被推到了Nueral Networks的主页上。 此外，微信公众号还在和 。 本文是第一篇通过深度网络属性解决复杂背景图像降噪的论文。 抽象 深度卷积神经网络（CNN）在低级计算机视觉中引起了相当大的兴趣。 研究通常致力于通过非常深的CNN来提高性能。 但是，随着深度的增加，浅层对深层的影响会减弱。 受这一事实的启发，我们提出了一种注意力导向的去噪卷积神经网络（ADNet），主要包括稀疏块（SB），特征增强块（FEB），注意块（AB）和重构块（RB）图像降噪。 具体而言，SB通过使用膨胀的和普通的卷积来去除噪声，从而在性能和效率之间进行权衡。 FEB通过很长的路途整合了全球和局部特征信息，以增强去噪
BRDNet(开源)一种使用用深度CNN和批量重新归一化进行图像去噪算法
图像算法Imalg的博客
02-16 5094
最近哈工大的研究团队于2020年在国际著名的人工智能杂志《神经网络》上发表了《利用深度CNN进行批量重正化的图像去噪》。 作者信息 在论文中，作者提出了一种新的图像去噪网络，称为批重归一化去噪网络（BRDNet），可以解决硬件资源受限条件处理数据分步不均匀的问题。 介绍 图像去噪的目的是从嘈杂的图像中恢复出清晰的图像，这是计算机视觉中的经典逆问题。由于图像...
【模糊分割】基于matlab改进的gath-geva聚类多变量时间序列模糊分割【含Matlab源码 4255期】
订阅付费专栏Matlab（奶茶价版），可赠送奶茶价版付费专栏指定代码1份；
04-11 669
改进的gath-geva聚类多变量时间序列模糊分割 完整的代码，方可运行；可提供运行操作视频！适合小白！
基于matlab_使用深度卷积神经网络DnCNN_图像去噪算法设计与实现
05-01
基于matlab_使用深度卷积神经网络DnCNN_图像去噪算法设计与实现
基于深度卷积神经网络图像去噪算法
04-28
用DnCNN网络进行图像去噪。网络中主要使用了批量归一化和ReLU
CNN_Image_Denoising-master_cnn去噪_去噪神经网络_
09-29
去噪图片效果很好
基于卷积神经网络的图像去噪（基础篇）
11-25
一共有3个图像去噪卷积神经网络模型，包括训练集，测试集，以及几个训练好的参数，可以直接对图像进行去噪
基于BP神经网络的去噪算法，基于BP神经网络的调制信号去噪（代码完整，数据齐全）
11-24
基于MATLAB编程，用BP神经网络的去噪算法，基于BP神经网络的调制信号去噪，代码完整，包含数据，有注释，方便扩展应用 1，如有疑问，不会运行，可以私信, 2，需要创新，或者修改可以扫描二维码联系博主, 3，本科及本科以上可以下载应用或者扩展， 4，内容不完全匹配要求或需求，可以联系博主扩展。
经典的图像去噪算法_NeuNet2020:BRDNet(开源)使用深度CNN和批量归一化进行图像去噪...
weixin_39886956的博客
01-30 1097
最近哈工大的研究团队于2020年在国际著名的人工智能杂志《神经网络》上发表了《利用深度CNN进行批量重正化的图像去噪》。作者信息在论文中，作者提出了一种新的图像去噪网络，称为批重归一化去噪网络(BRDNet)，可以解决硬件资源受限条件处理数据分步不均匀的问题。介绍图像去噪的目的是从嘈杂的图像中恢复出清晰的图像，这是计算机视觉中的经典逆问题。由于图像去噪技术可以很好地恢复原始图像并恢复细节，因此它们...
模糊神经网络代码_基于卷积神经网络的图像去噪
weixin_39785814的博客
11-24 1519
主要内容来自于CCCF 2019年第11期数字图像在数字化和传输过程中， 常常受到成像设备与外部环境噪声干扰等影响， 引入了不同类型的复杂噪声。 图像的去噪任务要求在尽可能去除图像中噪声的同时， 还应保持原有图像的边缘、 纹理等细节结构信息。对于普遍存在的图像模糊问题， 如何有效估计模糊过程、 处理噪声和估计误差等， 将对恢复高质量、清晰的图像至关重要。Kai Zhang, Wangmeng Zu...
【深度学习】计算机视觉（15）——图像去噪
RK_Dangerous的博客
09-24 3976
是在系列文章的基础上，再次针对深度学习（尤其是图像去噪方面）的基础知识有更深入学习和巩固。
attention-guided cnn for image denoising, neural networks
09-03
《Attention-guided CNN for image denoising》是一种用于图像去噪的神经网络模型。它基于卷积神经网络（CNN）的基本架构，但引入了注意力机制来提高去噪的效果。 在传统的CNN中，输入图像经过一系列卷积和池化操作，通过多个卷积层和全连接层进行特征提取和分类。然而，在图像去噪任务中，图像中不同区域的噪声水平可能不同，因此传统的CNN在对整个图像进行处理时可能无法有效地去噪。 为了解决这个问题，注意力机制被引入到CNN中。注意力机制可以将网络的注意力集中在图像的不同区域，以便更有针对性地去噪。该模型通过引入注意力模块，在每个卷积层之后对特征图进行处理，以增强重要区域的特征表示。这种注意力机制能够在去噪任务中更好地保留图像的细节和边缘，提高去噪效果。 具体来说，注意力模块通过学习图像的空间注意力和通道注意力来选择性地加权特征图。空间注意力用于选择特征图中的重要区域，而通道注意力用于选择特征图中的重要特征通道。通过这种方式，网络可以更加自适应地选择图像中重要的特征表示，从而更好地去除噪声。 实验证明，使用注意力机制的CNN模型在图像去噪任务上具有更好的性能。它在不同的噪声水平和噪声类型下都能够有效地去噪，并且能够保持图像的细节和结构。因此，这个注意力引导的CNN模型在图像去噪任务中具有一定的应用前景。
评论 32
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值