- 博客(5)
- 收藏
- 关注
RSS订阅原创 去噪论文阅读（三）Neighbor2Neighbor
在Noise2Noise方法中，使用的数据是同一场景下的不同噪声图片。然而，在许多领域中，这样的数据依然难以获取。尽管如此，Noise2Noise的这种思想是值得借鉴的。Neighbor2Neighbor正是基于这一思想进行改进的，它将一张含噪图片下采样至原图片的一半，从而构造出一个含噪图像对，并取得了不错的去噪效果。
2024-06-18 10:00:00
845
1
原创 去噪论文阅读（二）：Noise2Void
总的来说，N2V确实是一种真正的自监督学习方法，它通过仅使用单张含噪图片就可以进行去噪任务，这对于数据获取和标记成本来说是非常高效的。而且，由于N2V采用了对抗性的训练策略，它可以避免模型学习到训练集的恒等映射，从而提高了去噪任务的效果。多盲点网络作为一种改进的网络结构，通过增加了盲点数量来增强BSN网络的去噪能力和泛化能力。这种方法的优势在于它能够更好地捕捉到数据中的复杂模式和特征，从而提高了模型的性能，但是需要对其盲点数量进行合理约束才能获得理想效果。%20n。
2024-06-15 15:00:00
654
1
原创 去噪论文阅读（一）：Noise2Noise
在这种情况下，即使单个噪声实例中含有噪声，但在多个实例中，噪声的平均影响可以抵消，进而逼近干净图像的真实值。在此之前，去噪方法主要有两种：基于统计学关系进行整体去噪的方法，和使用干净-噪声图像对进行有监督学习的方法。Noise2noise所使用的主要思想是Noise2clean中就是使loss最小化，那在两幅来自同一场景的均值都为0的图片，网络倾向输出期望，最终的输出就为图片信号本身。1.无需Noise-Clean对：只需两个带噪声的图像对即可进行训练，增加了方法的实用性，尤其在无法获取干净图像的情况下。
2024-06-11 22:57:52
779
原创 模型评估与选择
k 折交叉验证数据划分法和 k 折交叉验证分层数据划分法这两种方法都是要将数据分成 k 个子集，而 k 折交叉验证分层数据划分法需要对数据进行分层抽样的操作，这是为了防止数据不均衡时，影响我们对模型的性能评估，例如，一个数据集10%为正90%为负，那每个折中正例反例的比都为1:9。而由TP，TN，FP，FN可以组成混淆矩阵。首先我们需要先将模型的预测值从大到小进行排列，这是因为在不同的阈值下，P和R的值都是不同的，那我们就需要每次都去计算不同阈值下的P和R，然后在将这些点对连接起来就是我们的P-R曲线图。
2023-04-20 16:49:17
558
2
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