CBDNet:Toward Convolutional Blind Denoising of Real Photographs

最新推荐文章于 2025-02-21 17:55:56 发布
原创 最新推荐文章于 2025-02-21 17:55:56 发布 · 5k 阅读 · 25 ·
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。

本文介绍了CBDNet，一种用于真实照片盲去噪的深度卷积网络。现有方法通常依赖合成噪声图像，而CBDNet通过结合噪声估计子网络和非盲目去噪子网络，以及一个更接近真实噪声的模型，实现了对真实噪声图像的有效处理。论文提出非对称学习策略，以解决噪声估计误差问题。实验表明，CBDNet在多个数据集上表现出优越的去噪效果。

Toward Convolutional Blind Denoising of Real Photographs

Shi Guo , Zifei Yan  , Kai Zhang , Wangmeng Zuo , Lei Zhang

Harbin Institute of Technology, Harbin, 150001, China
Department of Computing, The Hong Kong Polytechnic University, Hong Kong

目前深度卷积神经网络去噪方法

  1. 大多数存在的盲去噪的方法都包括两步：噪声估计和非盲目去噪。
  2. 深度卷积神经网络的效果依赖于训练数据，但真实噪声图像和干净图像太少，而合成的噪声图像与真实噪声图像相差太大。
  3. 真实噪声的特征不能充分地被设计的噪声模型所刻画。
  4. 非盲目去噪器（BM3D、FFDNet）对低估噪声等级敏感，而对高估噪声等级表现良好。即在噪声估计网络对噪声图像的噪声估计的噪声等级低于实际噪声等级时，去噪效果不好，但当噪声估计网络对噪声图像的噪声估计的噪声的呢估计高于实际噪声等级时去噪效果良好。

论文的方法是如何借鉴和改进前人的方法

  1. 针对第一点，同样分为两个子网络：噪声估计子网络和非盲目去噪子网络
  2. 针对第二点和第三点，论文选择同时用合成噪声图像和真实噪声图像交替训练网络 。
  3. 针对第三点，论文提出了一个更接近真实噪声的模型，既考虑了信号相关的噪声，又考虑了摄像机的处理流水线中的噪声。
  4. 针对第四点，论文充分利用BM3D对高估计噪声等级表现良好的特性，选择用非对称的方法来学习，即的那个噪声估计网络高估噪声时，给与一个较小的惩罚，而的那个网络低估噪声等级时，给予较大的惩罚。

论文主要贡献

  1. 图像噪声模型在深度卷积神经网络对真实噪声图像去噪中起到关键的作用。论文提出了一个更接近真实噪声的模型，同时考虑了信号相关的噪声和在摄像机的处理流水线中的噪声。
  2. 论文提出了一个CBDNet，由噪声估计子网络和非盲目去噪子网络两部分组成。同时使用非对称学习方法。
  3. 同时采用合成噪声图像和真实噪声图像训练CBDNet。
  4. 在三个数据集上的实验结果表面论文提出的CBDNet相比于前人的方法有突出的效果。

论文的主要方法

噪声模型

信号依赖的噪声：干净图像x，更真实地噪声模型n(x)\sim N(0,\delta (y))，\delta ^2(x)=x\cdot \delta ^2_s+\delta ^2_c

n(x)=n_s(x)+n_c，其中n_s是信号依赖的噪声，n_c是静态噪声分量，

最低0.47元/天 解锁文章

200万优质内容无限畅学
【图像去噪】论文精读：Toward Convolutional Blind Denoising of Real Photographs（CBDNet）
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】
08-19 1723
论文题目：Toward Convolutional Blind Denoising of Real Photographs —— 迈向真实照片的卷积盲去噪CVPR 2019！真实世界盲图像去噪！虽然深度卷积神经网络(CNNs)在加性高斯白噪声(AWGN)图像去噪方面取得了令人印象深刻的成功，但它们在真实世界的噪声照片上的性能仍然有限。主要原因是他们的学习模型很容易过拟合简化的AWGN模型，该模型严重偏离了复杂的真实噪声模型。
第八组 Alpha（1/3）
m0_53114829的博客
11-19 968
我们使用CBDNet网络，包括一个噪声估计子网络和一个非盲去噪子网络，来实现图像的盲去噪。CBDNet网络由由一个全卷积网络FCN和一个 UNet 组成，FCN为五层全卷积网络用于噪声估计噪声水平图，第二部分为带残差的UnNet，用于降噪。
论文：Toward Convolutional Blind Denoising of Real Photographs
桃子有了的博客
07-18 265
图像去噪的论文阅读
Toward Convolutional Blind Denoising of Real Photographs
weixin_33725126的博客
10-23 351
本文提出了一个针对真实图像的盲卷积去噪网络，增强了深度去噪模型的鲁棒性和实用性。 摘要 作者提出了一个 CBD-Net，由噪声估计子网络和去噪子网络两部分组成。 作者设计了一个更加真实的噪声模型，同时考虑了信号依赖的噪声和相机内部处理的噪声。 基于真实噪声模型合成的图片和真实的噪声图片被联合在一起对网络进行训练。 噪声模型 除了高斯噪声，真实的图片噪声更加复杂，并且是信...
论文 Toward Convolutional Blind Denoising of Real Photographs 中文翻译
08-10
标题中的“论文 Toward Convolutional Blind Denoising of Real Photographs 中文翻译”表明本文是对一篇关于真实照片卷积盲去噪技术的研究论文进行中文翻译。描述中的“真实图片的去噪神经网络——CBDNet的中文翻译...
《Toward Convolutional Blind Denoising of Real Photographs》阅读笔记
69小石头的博客
05-11 726
一、论文 《Toward Convolutional Blind Denoising of Real Photographs》 摘要：尽管深卷积神经网络（CNN）在加性高斯白噪声（AWGN）的图像去噪方面取得了令人瞩目的成功，但其性能在实际嘈杂的照片上仍然受到限制。 主要原因是他们的学习模型很容易在简化的AWGN模型上过度拟合，而AWGN模型与复杂的实际噪声模型大相径庭。 为了提高深层CNN去噪器的泛化能力，我们建议使用更逼真的噪声模型和真实的噪声清洁图像对来训练卷积盲去噪网络（CBDNet）。 一方面
Toward Convolutional Blind Denoising of Real Photographs（CBDNet）, CVPR2019
heitang1802的博客
06-25 1478
这篇文章是哈深和香港理工大学合作的文章，来自CVPR2019，任务是去噪。上周看的Noise2Void针对高斯噪声改进方法减少了训练所需数据，CBDNet这篇文章针对的则是模型在真实噪声上效果差的问题，使得去噪不再局限于较理想化的高斯噪声。 CNN去噪模型的效果很大程度上取决于合成噪声和实际噪声的分布是否匹配，于是本文的去噪模型分为两阶段——第一阶段进行噪声估计，第二阶段将噪声估计结果与噪声图一并作为输入进行非盲去噪。 噪声建模 对噪声进行建模是为了生成去噪网络的训练集，建模越趋近真实噪声后续去噪效果
论文笔记：Toward Convolutional Blind Denoising of Real Photographs
热门推荐
zbwgycm的博客
08-25 1万+
Introduction 这是哈工大与香港理工大Lei Zhang老师课题组合作完成的论文，是今年7月份才在arxiv上放出来。Lei Zhang老师课题组在图像去噪方面一直走在前沿，许多经典工作都是他们提出的，如WNNM、DnCNN等。这一篇也是其在深度图像去噪方面的新的文章。与其前面的工作不同的是，这篇文章主要研究了卷积网络在真实图像上的去噪效果，其主要贡献在于以下几点： 提出了...
CBDNet：“对真实照片进行卷积盲去噪”的代码，CVPR 2019
02-04
面向真实照片的卷积盲去噪 纸版 ISP /反向ISP运算符的Python实现和一些资料 （与Matlab代码不完全相同） 1.摘要 尽管深卷积神经网络（CNN）在高斯降噪方面取得了成功，但在实际嘈杂的照片上仍然非常有限，甚至可能比BM3D表现差。 为了提高深度去噪模型的鲁棒性和实用性，本文提出了一种融合了网络架构，非对称学习和噪声建模的卷积盲去噪网络（CBDNet）。 我们的CBDNet由一个噪声估计子网和一个去噪子网组成。 受BM3D对噪声估计误差的不对称敏感性的影响，在噪声估计子网络上进行了非对称学习，以抑制更多的噪声水平估计不足。 为了使学习的模型适用于真实照片，结合了基于信号依赖噪声模
CBDNet-pytorch:CBDNet的非官方PyTorch实施
04-02
CBDNet-火炬 CBDNet的非官方PyTorch实施。 更新 2021.04.02：该代码可能存在一些实现错误，请谨慎使用。 拉请求是受欢迎的。 2020.12.04：我们使用新的数据集训练了CBDNet模型。 PSNR（DND基准）：38.06-> 39.63。 快速开始 从下载数据集和预训练的模型。 将文件解压缩到data文件夹和save_model文件夹，如下所示： ~/ data/ SIDD_train/ ... (scene id) Syn_train/ ... (id) DND/ images_srgb/ ... (mat files) ... (mat files) save_model/ checkpoint.pth.tar 训练模型： python tr
【论文精读】图像去噪系列：Toward Convolutional Blind Denoising of Real Photographs(CBDNet) | CVPR 2019
静谧、淡雅
02-21 1031
Toward Convolutional Blind Denoising of Real Photographs(CBDNet) | CVPR 2019
图像噪声的概念与分类
FPGA/MATLAB学习教程/源码/项目合作开发
11-09 7156
图像噪声的概念与分类 图像噪声是图像在摄取或传输时所受的随机信号干扰，是图像中各种妨碍人们对其信息接受的因素。很多时候将图像噪声看成是多维随机过程，因而描述噪声的方法完全可以借用随机过程的描述，即用其概率分布函数和概率密度分布函数。 图像噪声是多种多样的，其性质也千差万别，所以了解噪声的分类是很有必要的。 按产生的原因分类 1.外部噪声，即指系统外部干扰以电磁波或经电源串进系统内部而引起的噪声。如电气设备，天体放电现象等引起的噪声。 2.内部噪声，一般有四个源头：a)由光和电的基本性质所引起的..
图像去噪——CBDNet网络训练自己数据集及推理测试，模型转ONNX模型（详细图文教程）
qq_40280673的博客
01-08 4503
CBDNet 是一种性能优异的图像去噪网络。它在多种噪声图像去噪任务上都取得了优异的效果，具有一定的应用潜力。
论文笔记21：Deep spatio-spectral Bayesian posterior for hyperspectral image non-i.i.d. noise removal
Hermite Lee的博客
11-21 1192
所提出的框架在深度空间-光谱贝叶斯后验(DSSBP)结构下，协作地对HSI中的非i.i.d.噪声嵌入和移除进行建模。具体地，非i.i.d.噪声估计、分布和去除过程都是用基于模型驱动的策略和基于数据驱动的策略来执行的。通过融合贝叶斯变分后验和深度卷积神经网络，该方法既继承了传统的基于模型驱动的HSI噪声建模方法的可靠性，又继承了基于数据驱动的参数学习方法的高效性。
探索高效深度学习：CBDNet，一个优化的实时边缘检测框架
gitblog_00098的博客
04-17 775
探索高效深度学习：CBDNet，一个优化的实时边缘检测框架 项目简介 在计算机视觉领域，边缘检测是基础且至关重要的一步，用于识别图像中的边界和形状。 是一个基于深度学习的实时边缘检测器，由郭世及其团队开发，旨在提供高精度与快速计算之间的良好平衡。 技术分析 CBDNet的设计灵感来源于经典的Canny算法，但它采用了深度学习的方法来实现自动化和优化。该模型的核心是一个多尺度特征金字塔网络，它能够捕...
论文阅读笔记之——《Toward Convolutional Blind Denoising of Real Photographs》及基于pytorch的CBDNet的复现
gwpscut的博客
12-06 6905
本文是CBDNet（convolutional blind denoising network）的阅读笔记。本博文分为两块，一块是阅读笔记，一块是本人对CBDNet的实验记录 论文链接：https://arxiv.org/pdf/1807.04686.pdf 论文的代码：https://github.com/GuoShi28/CBDNet 一些去噪用的数据集https://blog.csdn...
【亲测免费】 CBDNet-PyTorch: 卷积盲去噪网络实现教程
gitblog_00471的博客
08-15 973
CBDNet-PyTorch: 卷积盲去噪网络实现教程 1. 项目介绍 CBDNet（Convolutional Blind Denoising Network）是由Guo等人在2019年的IEEE计算机视觉和模式识别会议（CVPR）上提出的一种用于真实照片卷积盲去噪的方法。这个开源项目是CBDNet在PyTorch框架下的非官方实现，旨在提供一个高效且易于使用的图像去噪工具。它包括训练和推断两部...
Integrated Sensing and Communications: Toward Dual-Functional Wireless Networks for 6G and Beyond
最新发布
09-07
### 研究背景与意义 随着通信技术向 6G 及未来发展，对无线系统的功能和性能提出了更高要求。传统的通信和感知功能通常是分开设计和实现的，这不仅增加了系统的复杂度和成本，还难以满足未来网络对高效频谱利用和多功能融合的需求。Integrated Sensing and Communications（ISAC）即综合感知与通信，旨在构建双功能无线网络，将通信和感知功能集成在同一无线平台上，以实现更高效的资源利用、更低的成本和更强大的系统性能，为 6G 及未来网络提供关键支撑。 ### 关键技术 - **波形设计**：需要设计出既能满足通信需求又能用于感知的波形。例如，一些具有良好自相关和互相关特性的波形可以在保证通信质量的同时，实现高精度的目标检测和定位。 - **信号处理算法**：开发适用于 ISAC 的信号处理算法，以实现通信和感知信息的有效分离和处理。这些算法需要考虑到信号的干扰、噪声等因素，确保通信和感知功能的同时实现。 - **资源分配策略**：合理分配频谱、功率等资源，以平衡通信和感知的性能需求。例如，在不同的场景下，根据通信业务的优先级和感知任务的要求，动态调整资源分配。 ### 应用场景 - **智能交通系统**：在车联网中，ISAC 技术可以使车辆之间以及车辆与基础设施之间实现高效的通信，同时利用感知功能进行车辆定位、障碍物检测等，提高交通安全和交通效率。 - **工业自动化**：在工厂环境中，ISAC 可以实现设备之间的高速通信和对生产环境的实时感知，如监测设备状态、检测物体位置等，从而优化生产流程和提高生产效率。 - **智能家居**：通过 ISAC 技术，智能家居设备可以实现互联互通，同时感知家庭环境的变化，如人员活动、温度、湿度等，为用户提供更加智能化的服务。 ### 相关文献与研究进展 可以通过学术数据库，如 IEEE Xplore、ACM Digital Library 等，搜索关于 “Integrated Sensing and Communications: Toward Dual-Functional Wireless Networks for 6G and Beyond” 的研究论文。许多科研机构和高校也在积极开展相关研究，推动 ISAC 技术的发展。例如，一些研究工作致力于提高 ISAC 系统的性能评估方法，另一些则关注于实际系统的实现和测试。 ```python # 以下是一个简单的示例代码，用于模拟 ISAC 系统中的资源分配 import numpy as np # 定义通信和感知的需求权重 communication_weight = 0.6 sensing_weight = 0.4 # 总资源量 total_resources = 100 # 随机生成通信和感知的资源需求 communication_demand = np.random.randint(30, 80) sensing_demand = np.random.randint(20, 70) # 计算资源分配 communication_allocation = min(communication_demand, total_resources * communication_weight) sensing_allocation = min(sensing_demand, total_resources * sensing_weight) print(f"通信资源分配: {communication_allocation}") print(f"感知资源分配: {sensing_allocation}") ```
评论 1
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