论文Attention-guided CNN for image denoising解读

最新推荐文章于 2024-07-11 16:01:11 发布
最新推荐文章于 2024-07-11 16:01:11 发布
阅读量1.5k 收藏 19
点赞数 2
分类专栏： 深度学习 文章标签： 深度学习 神经网络 人工智能 ai attention
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。
本文链接：https://blog.youkuaiyun.com/weixin_36465540/article/details/116214833
版权

文章目录

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 enhancement block， FEB），注意力模块（ attention block，AB），重构模块（reconstruction
block，RB）。其中，SB模块通过将空洞卷积和普通卷积结合的方式删除噪声，平衡输出图片效果和运行效率。FEB模块通过集成全局和局部的特征信息优化模型。AB模块用来提取隐藏在复杂背景中的噪声，该模块对于处理复杂噪声图片（如真实噪声图片）是十分有效的。RB模块通过求得的噪声和原始图片重构出无噪声的图片。多重实验证明该模型在合成噪声图片、真实噪声图片和盲去噪任务下都能得到较好的定量和定性结果。

2. 模型结构分析

1) 网络架构

在这里插入图片描述
上图清晰地显示了模型中的四个模块。可以看到该模型一共有17层卷积，其中SB中12层，FEB中4层，AB中1层。设 IN 为输入的噪声图片，IR 为预测的残差图片（也可以称为噪声映射图片），则该模型关系如下：
OSB = fSB(IN)
其中OSB是SB模块的输出，fSB是SB模块的函数，IN是输入的噪声图片。
OFEB = fFEB(IN, OSB)
其中OFEB是FEB模块的输出，fFEB是FEB模块的函数。这里就可以看出来FEB模块处理时，不仅使用了上一个模块输出的结果，还使用了原始含噪图像的信息。上一个模块输出的结果是局部信息，而原始图片信息其实就是全局信息。这就和概述中FEB的作用对应上了。
IR = fAB(OFEB)

最低0.47元/天 解锁文章
【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】
11-30 398
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。
【图像去噪】论文精读：Enhanced CNN for image denoising（ECNDNet）
最新发布
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】
09-14 822
论文题目：Enhanced CNN for image denoising —— 用于图像去噪的增强CNN由于深度卷积神经网络 (CNN) 的灵活架构已成功用于图像去噪。然而，它们存在以下缺点：（i）深度网络架构很难训练。(ii)更深的网络面临性能饱和的挑战。在这项研究中，作者提出了一种称为增强卷积神经网络 (ECNDNet) 的新方法。具体来说，他们使用残差学习和批量归一化技术来解决训练困难的问题，加快网络的收敛性。此外，在所提出的网络中使用扩张卷积来扩大上下文信息并降低计算成本。
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 7085
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
代码实现——注意力引导的CNN图像去噪（Attention-guided CNN for image denoising）
sf_qw39的博客
03-28 5642
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（...
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
Attention-guided Feature Distillation for Semantic Segmentation
weixin_43238909的博客
05-11 988
与现有的复杂方法相比，该方法通常用于从老师那里提取知识给学生，该方法展示了一种简单而强大的方法，可以利用精细的特征映射来转移注意力。事实证明，该方法在提取丰富信息方面是有效的，在作为密集预测任务的语义分割方面优于现有方法。所提出的注意力引导特征蒸馏（AttnFD)方法采用卷积块注意模块（CBAM），该模块通过考虑通道特征信息和空间信息内容来细化特征映射。通过仅使用教师和学生的精细化特征图之间的均方误差（MSE）损失函数，AttnFD在语义分割方面表现出出色的性能。
Attention-Guided Hierarchical Structure Aggregation for Image Matting
IT_Herven的博客
06-29 578
Attention-Guided Hierarchical Structure Aggregation for Image Matting Abstract 现有的基于深度学习的抠图算法主要依靠高级语义特征来改善alpha mattes的整体结构，作者认为应该将高级语义信息与低级外观线索相协调，以细化前景细节 提出一种端到端的分层注意力抠图网络(HAttMatting)，它可以在没有额外输入的情况下从单个RGB图像中预测更好的alpha mattes结构 具体来说，作者利用空间和通道方向的注意力，以一种新
Attention-guided Context Feature Pyramid Network for Object Detection
qq_52302919的博客
03-03 2419
在目标检测中，如何解决高分辨率输入条件下特征图分辨率与感受野之间的矛盾仍然是一个有待解决的问题。为了解决这一问题，作者提出了注意引导的上下文特征金字塔网络(AC- FPN)，该网络通过整合注意引导的多路径特征来利用来自不同感受野的判别信息。该模型包含两个模块。
Unsupervised-Attention-guided-Image-to-Image-Translation-master.zip
12-15
Current unsupervised image-to-image translation techniques struggle to focus their attention on individual objects without altering the background or the way multiple objects interact within a scene. Motivated by the important role of attention in human perception, we tackle this limitation by introducing unsupervised attention mechanisms which are jointly adversarially trained with the generators and discriminators. We empirically demonstrate that our approach is able to attend to relevant regions in the image without requiring any additional supervision, and that by doing so it achieves more realistic mappings compared to recent approaches.
原文+代码DnCNN for Image Denoising
03-22
包含《Beyond a Gaussian Denoiser_Residual Learning of Deep CNN for Image Denoising》原文章和原文章作者GitHub主页链接，有详细文章解读和代码~
论文笔记35：3DADNet: Hyperspectral Image Denoising Using a 3-D Attention Denoising Network
Hermite Lee的博客
01-24 1017
我们设计了两个并行的分支来分别处理空间和光谱信息。位置注意力模块应用于空间分支，以在特征映射上形成相互依赖性，而通道注意力模块应用于光谱分支，以在两个分支组合之前模拟光谱相关性。在融合空间和光谱信息后，多尺度结构也被用来提取和融合多尺度特征。
Frequency and Spatial Dual Guidance for Image Dehazing
weixin_50921686的博客
05-16 1547
现有方法的不足：现有的基于深度学习的方法主要是利用空间信息而忽略了可区分的频率信息。作者提出了：通过共同利用空间域和频率域的信息来进行去雾。为了实现频率域和空间域的双重引导，精心开发了两个核心设计：频域中的幅度引导相位模块和空间域中的全局引导局部模块。前者通过深度傅里叶变换处理全局频率信息，并在幅度谱的指导下重建相位谱，而后者则整合了上述全局频率信息，以方便空间域的局部特征学习。什么是频率域和空间域？从信号的角度理解图像内容。
阅读论文《Attention-guided Network for Ghost-free High Dynamic Range Imaging》
Najlepszy的博客
04-29 2972
其实Attention就是一个map……整体思路就是用多张不同曝光度的图像来合成HDR图片，合成思路和ECCV 2018的《Deep High Dynamic Range Imaging with Large Foreground Motions》巨像然后加个Attention……啊呀…… 其实从SR中找思路也是个不错的选择。 效果图如下： 之前的问题是无法解决large motion和satu...
DRCNN：超越高斯去噪:深度CNN图像去噪的残差学习
mytzs123的博客
09-13 4348
Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising摘要-基于判别模型学习的图像去噪方法因其良好的去噪性能而备受关注。在本文中，我们通过研究前馈去噪卷积神经网络(DnCNNs)的构造向前迈进了一步，将非常深入的架构、学习算法和正则化方法融入到图像去噪中。具体来说，利用残差学习和批归一化来加速训练过程，提高去噪性能。与现有的判别去噪模型通常在一定噪声水平下训练特定的加性高斯白噪声模型不同，我们的DnCNN模型
SF——Spatial-Frequency Dual Progressive Attention Network For Medical Image Segmentation
m0_74031986的博客
07-11 2159
SF——Spatial-Frequency Dual Progressive Attention Network For Medical Image Segmentation （SF-UNet：用于医学图像分割的空频双渐进注意力网络 ）
[论文笔记] (CVPR2019) Attention-guided Unified Network for Panoptic Segmentation
Holeung blog
08-04 1579
[论文笔记] (CVPR2019) Attention-guided Unified Network for Panoptic Segmentation
深度学习在高光谱图像去噪中的论文大全-一直更新
Hermite Lee的博客
11-07 3848
2017： Hyperspectral imagery denoising by deep learning with trainable nonlinearity function 2018： Hyperspectral image denoising employing a spatial–spectral deep residual convolutional neural network HSI-DeNet: Hyperspectral image restoration via convol
【论文阅读笔记】Split frequency attention network for single image deraining
qq_46056318的博客
03-19 1262
用于单幅图像去噪的分频注意力网络PaperCode2023年 SIVP雨纹对图像质量的影响极大，基于数据驱动的单图像去噪方法不断发展并取得了巨大的成功。然而，传统的卷积神经网络只能隐式地对频域特征进行建模，而离散余弦变换（DCT）可以看作是对频域特征的显式建模。因此，我们提出了一种分裂频率注意力，以改善内部相关性的输入特征在频域的DCT。我们选择前K个低频分量作为DCT层的输出，在频域恢复出高质量的图像，而分裂机制使网络聚焦于信息丰富的区域，保持了恢复图像细节的保真度。
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
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