生成对抗网络用于图像降噪 Image Denoising with GAN

最新推荐文章于 2025-11-29 16:48:52 发布
原创 最新推荐文章于 2025-11-29 16:48:52 发布 · 1w 阅读 · 65 ·
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：

#生成对抗网络用于图像降噪 #GAN #Image denoising

本文介绍了一种基于TensorFlow的生成对抗网络(GAN)图像降噪技术，通过少量样本渲染并利用神经网络处理噪声图像，生成高质量真实感图片。演示了RGB及医学CT图像的降噪效果，并提供了代码及依赖包信息。
部署运行你感兴趣的模型镜像

使用tensorflow 搭建生成对抗网络用于进行图像降噪

基于神经网络的解决方案，这种方法的主要思想是使用少量的样本渲染每个像素（比方说4spp或8spp而不是32Kspp），并将噪声图像传递到网络，这将产生高质量的真实感图像。

1.  降噪效果展示：

1.1 RGB图像

1.2 医学CT图像

2. 该网络代码需要加载的python包

  • python 3.5
  • tensorflow (v1.1 or v1.0)
  • PIL
  • CKPT FILE

3. 代码下载路径：

https://download.youkuaiyun.com/download/xiaoxifei/10652350

另外也可以参考此处选取其他一些常用的降噪算法

https://download.youkuaiyun.com/download/xiaoxifei/10652282

 

您可能感兴趣的与本文相关的镜像

TensorFlow-v2.9

TensorFlow-v2.9

TensorFlow

TensorFlow 是由Google Brain 团队开发的开源机器学习框架,广泛应用于深度学习研究和生产环境。 它提供了一个灵活的平台,用于构建和训练各种机器学习模型

图像去噪 - 使用自编码器或GAN模型
走向CTO的路上...
04-14 650
自编码器是一种神经网络结构，通常用于无监督学习，用于特征提取或降维。其基本思想是将输入数据压缩成一个低维的"瓶颈"，然后再尝试从该低维表示重建原始输入。使用自编码器和GAN模型进行图像去噪具有强大的潜力，可以有效去除噪声并保留细节。自编码器简单而有效，而GAN在处理复杂结构及纹理方面表现出色。
GAN在图像去噪中的应用
AI天才研究院
04-03 1588
非常感谢您提供了如此详细的任务要求和约束条件。作为一位世界级的人工智能专家、程序员、软件架构师以及CTO,我将尽我所能撰写一篇高质量的技术博客文章,满足您提出的各项要求。 下面我将开始正式撰写这篇题为《GAN在图像去噪中的应用》的技术博客文章。 GAN在图像去噪中的应用 1. 背景介绍
DeGAN:通过生成对抗网络去除混合噪声
RrS_G的博客
06-28 4605
目录一、引言二、网络及损失三、主要实验结果首先介绍混合噪声： x为无噪声图像，y为其对应的观测噪声版本:n是加性高斯白噪声(AWGN)，，v是脉冲噪声(IN)——对像素造成破坏。一般的图像去噪模型只关注前一种噪声。下面介绍一下IN： 假设为图像像素值的变化范围。当一个图像被SPIN损坏时，它的一些像素值是或，当它被RVIN损坏时，它的一些像素值是和之间的随机值。SPIN和RVIN是IN的两种形式。本文关注三种不同类型的混合噪声:(1)、AWGN+SPIN (2)、AWGN+RVI
【2025版】最新GitHub新手用法详解（适合新手入门）零基础入门到精通，收藏这篇就够了
最新发布
lele2345的博客
11-29 1333
3.之后输入然后git commit -m “测试是否成功” 引号内的内容可以随意改动，这个语句的意思是 给你刚刚上传的文件一个备注，方便查找记忆而已。点进仓库之后点击Code，点击ssh会看到一串网址（http也可以），这个地址就是代码地址，git clone 命令会用的到。（相对来说注册还是很简单的，只需要一个邮箱即可，邮箱一般写qq邮箱就可以了，以后忘记密码了，方便靠邮箱来找回密码。需要注意的就是库分为两种，分为了公有的私有的，大家自行选择即可。如果输入代码之后再选择yes出来是这样说明就成功啦！
GAN网络---图像去噪（笔记待完）2021-04-17
m0_46952844的博客
04-17 4244
GAN网络—图像去噪（笔记） 一：简介 generative：生成式模式 adversaial:采取对抗策略 networks：网络（不一定是深度学习） 二：基础、预备知识 三：网络实战分析 1.生成手写数字 demo分析（生成而不是分类） 2. 其他网络及改进 ...
GAN图像去噪
weixin_47180908的博客
07-14 1978
https://github.com/bencottier/cgan-denoiser.githttps://github.com/manumathewthomas/ImageDenoisingGAN.git
图像处理之图像复原算法：深度学习去噪：生成对抗网络（GAN）去噪技术
kkchenjj的博客
07-28 3413
生成对抗网络（Generative Adversarial Networks，简称GAN）是一种深度学习模型，由Ian Goodfellow等人在2014年提出。GAN由两个神经网络组成：生成器（Generator）和判别器（Discriminator）。生成器的目标是生成与真实数据分布相似的数据，而判别器的目标是区分生成器生成的数据和真实数据。这两个网络通过对抗的方式共同学习，最终生成器能够生成高质量的、与真实数据难以区分的合成数据。
【图像去噪】论文精读：Unpaired Learning of Deep Image Denoising（DBSN）
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】
12-17 672
论文题目：Unpaired Learning of Deep Image Denoising —— 深度图像去噪的非配对学习ECCV 2020！dilated blind-spot network（膨胀盲点网络DBSN）！我们研究了从一组未配对的干净图像和噪声图像中学习盲图像去噪网络的任务。考虑到在大多数实际应用中收集未配对的噪声和干净的图像是可行的，这样的问题设置通常是实用的和有价值的。我们进一步假设噪声可以是信号相关的，但在空间上是不相关的。
【图像去噪专题】NTIRE 2025：The Tenth NTIRE2025 Image Denoising Challenge Report
PixelMind的博客
04-26 2209
本文对NITRE2025的image denoising challenge report做了介绍，简要说明了各个团队的方案。
【图像去噪】论文精读：IDEA-Net: Adaptive Dual Self-Attention Network for Single Image Denoising
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】
03-17 328
论文题目：IDEA-Net: Adaptive Dual Self-Attention Network for Single Image Denoising —— IDEA-Net：用于单幅图像去噪的自适应双自注意力网络WACVW 2022！由于可能的数据偏差和预测方差，图像去噪是一项具有挑战性的任务。现有方法通常计算成本高。在这项工作中，我们提出了一种无监督图像去噪器，称为自适应双自注意力网络(IDEA-Net)，以处理这些挑战。
【半监督医学图像分割 2021 IEEE】DU-GAN
wujing1_1的博客
02-27 1968
低剂量计算机断层扫描(LDCT)由于其相关的x射线辐射对患者的潜在健康风险而引起了医学成像领域的广泛关注。然而，降低辐射剂量会降低重建图像的质量，从而影响诊断性能。在过去的几年里，各种深度学习技术，特别是生成对抗网络(gan)，已经被引入到通过去噪来提高LDCT图像的图像质量，比传统方法取得了令人印象深刻的结果。基于高斯的去噪方法通常利用一个额外的分类网络，即鉴别器，来学习去噪图像与正常剂量图像之间最大的区别，从而相应地正则化去噪模型;它通常关注全局结构或局部细节。
生成对抗网络降噪算法
09-07
使用tensorflow框架写的生成对抗网络用于图像降噪，降噪效果在测试集上表现非常好，可以参看https://blog.youkuaiyun.com/xiaoxifei/article/details/82498705 记载的效果
基于python与VGG16的使用UNet对图像去噪设计与实现
05-04
基于python与VGG16的使用UNet对图像去噪设计与实现
【图像去噪】论文精读：NBNet: Noise Basis Learning for Image Denoising with Subspace Projection
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】
11-05 359
论文题目：NBNet: Noise Basis Learning for Image Denoising with Subspace Projection —— NBNet:子空间投影图像去噪的噪声基础学习CVPR 2021！旷视出品！在本文中，我们介绍了 NBNet，这是一种用于图像去噪的新框架。与之前的工作不同，我们建议从一个新的角度解决这个具有挑战性的问题：图像自适应投影降噪。具体来说，我们建议通过在特征空间中学习一组重建基础来训练一个可以分离信号和噪声的网络。
Image Denoising Using A Generative Adversarial Network-基于生成对抗网络的图像去噪
温故而知新，可以为师矣。
11-12 1314
动画工作室使用一种称为路径跟踪的技术来渲染3D场景，该技术使它们能够创建高质量的照片级逼真帧。路径跟踪涉及将1000条光线随机发射到一个像素中(蒙特卡洛)，然后这些光线将击中场景中的对象，并基于对象的反射属性，这些光线被反射或折射或被吸收。对这些光线返回的颜色进行平均，以确定像素的颜色。对所有像素重复此过程。由于计算复杂，渲染一帧可能需要8-16个小时。我们实现了一个基于神经网络的解决方案，一旦网络被训练，使用生成性对抗网络(GAN)将渲染一帧所需的时间减少到不到一秒。
GAN实现图像的去噪（Pytorch框架实现）
Keep_Trying_Go的博客
05-20 7346
GAN实现图像的去噪（Pytorch框架实现）
用GAN进行图像去噪的邮件解答
⚡
10-25 4917
继用GAN进行图像去噪【ImageDenoisingGAN】Image Denoising Using a Generative Adversarial一文发表后，近来收到不少邮件，在此刊登，供大家答疑解惑，也欢迎大家交流。因为本人才疏学浅，所以回答有误的地方也欢迎大家指正。
【亲测免费】 GAN实现图像去噪（Pytorch框架实现）
gitblog_06552的博客
09-20 625
GAN实现图像去噪（Pytorch框架实现） 【下载地址】GAN实现图像去噪Pytorch框架实现 本项目利用生成对抗网络（GAN）在Pytorch框架下实现图像去噪，特别是针对高斯噪声。项目数据集包含了清晰图像和添加噪声的图像，采用U-Net类型的生成模型和判别模型进行处理。通过本项目，您可以学习如何使用GAN进行图像...
生成对抗网络(六)----------Image Denoising Using a Generative Adversarial Network(用GAN对图像去噪)
励志的小胡子
05-20 9455
前言 这是一篇关于使用GAN对图像降噪的论文，我翻译了论文，也看了代码，以下是github链接：GAN去噪。我看懂了论文，这确实是一篇很好的论文。使用当下最火的GAN对图像进行去噪。也是一个开创性的想法。文中的损失函数与以往的不同。但是其他思想与传统GAN都是类似的。读完论文之后，我下载了相关代码，但是在代码中我遇到了问题。想要训练模型，却没有跑起来。如果你将代码跑起来了。可以在下面留言。我们一...
医学图像降噪
03-12
### 医学图像降噪技术综述 医学图像降噪旨在去除成像过程中引入的噪声，从而提高图像质量和诊断准确性。当前主要存在多种有效的降噪技术和解决方案。 #### 小波变换去噪方法 小波变换作为一种多尺度分析工具，在医学图像处理方面表现出色。具体而言，采用`coif2`小波基以及设定两层小波分解层数可以有效减少高频噪声的影响[^1]。此外，自适应阈值和软阈值函数的选择进一步增强了该方法的效果，使得经过处理后的医学图像更加清晰，细节保留得更好。 ```python import pywt def wavelet_denoising(image, wavelet='coif2', level=2): coeffs = pywt.wavedec2(image, wavelet, level=level) sigma = mad(coeffs[-level]) # Estimate noise standard deviation using MAD estimator threshold = sigma * np.sqrt(2*np.log(len(image))) denoised_coeffs = [coeffs[0]] for coeff in coeffs[1:]: denoised_coeff = pywt.threshold(coeff, threshold, mode='soft') denoised_coeffs.append(denoised_coeff) return pywt.waverec2(denoised_coeffs, wavelet)[:image.shape[0], :image.shape[1]] def mad(data): """Median Absolute Deviation""" median = np.median(data) diff_from_median = abs(data - median) mad_value = np.median(diff_from_median) return mad_value ``` #### 基于生成对抗网络(GAN) 的图像去噪 随着深度学习的发展，基于GAN架构的方法逐渐成为一种热门选择。这类模型能够在训练阶段学会区分真实样本与含噪样本之间的差异，并据此调整参数以达到更好的重建效果。特别是在PyTorch框架下实现了高效的解决方案，不仅限于简单的加性高斯白噪声场景，还能应对更为复杂的实际情况[^2]。 #### 扩散模型应用于医学图像去噪 扩散模型（Diffusion Models），特别是去噪扩散概率模型（DDPMs），近年来因其出色的生成能力而受到广泛关注。除了常规的任务外，它们同样适用于解决医学图像中的特定挑战—比如保持解剖结构合理性的同时完成高质量的图像恢复工作。为了确保生成结果符合临床需求，研究人员提出了结合分割掩膜的方式作为额外指导信息输入给模型，以此增强其对于重要区域的理解力和表达精度[^3]。 #### 经典滤波器应用实例 在某些情况下，传统的滤波手段依然具有不可替代的作用。例如中值滤波器可以通过排序统计原理有效地抑制脉冲型干扰；而椒盐噪声则可通过随机撒布黑白像素点的方式来模拟并测试系统的鲁棒性表现[^4]。 ```python from imgaug import augmenters as iaa median_blur = iaa.MedianBlur(k=(3, 7)) salt_and_pepper_noise = iaa.SaltAndPepper(p=(0.05, 0.2)) noisy_image = salt_and_pepper_noise.augment_image(original_image) denoised_image = median_blur.augment_image(noisy_image) ```
评论 19
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