《Deep Convolutional Denoising of Low-Light Images》

最新推荐文章于 2024-06-06 20:56:26 发布
最新推荐文章于 2024-06-06 20:56:26 发布
阅读量2.4k 收藏 4
点赞数 1
文章标签： 降噪
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.csdn.net/Dilusense/article/details/54434495
版权
本文介绍了使用深度卷积网络对低光照图像进行降噪的方法，探讨了泊松噪声在图像建模中的应用，并阐述了CNN在降噪中的优势。网络结构包含20层卷积层，通过训练学习不同层次的噪声负数，以恢复清晰图像。实验表明，针对特定物体的降噪网络能提高效果，但可能造成信息丢失。文章还提出了低光照人脸识别和红外图像降噪等应用前景。
摘要由CSDN通过智能技术生成

《Deep Convolutional Denoising of Low-Light Images》

泊松噪声

泊松分布通常用于描述单位时间内随机事件发生的次数。在图像建模中，基于光照的图像噪声经常使用泊松噪声来描述，这主要是从传感器角度出发的。
由于光子数量是离散的，同时传感器在每个像素位置对光子的探测具有独立性。通常过程是传感器对一个时间区间内到达的光子数进行计数，这个过程符合泊松噪声的特征，其强度通常会受光源和亮度影响。
在计算机视觉上，以往为了简化运算，通常使用均值为零的高斯分布来模拟图像噪声，但是在物理意义上来说，高斯分布对图像噪声的描述不如泊松噪声准确。

使用CNN做降噪的原因

  • 强大的学习和表达能力，能够发掘潜在特征而不需要预先显式的定义
  • 已有模型对不同训练数据集的迁移能力较强，可通过自己的数据进行有针对性的训练
  • 目前已有许多高速实现包括GPU并行的工具，在计算卷积时，效率高于其他类型的模型

网络结构

这里写图片描述

  • 20层64个3X3核的卷积层，其中前18层后接非线性层RELU，最后两层未使用。每层的前63个核获取的信息进入下
最低0.47元/天 解锁文章
弓如霹雳弦惊
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
Low-light images enhancement/暗光/低光/微光增强系列：Attention-guided Low-light Image Enhancement（详解）
鳄鱼的博客
03-13 1万+
以下文字为博主翻译并添加了自己的理解，斜体为博主自己的想法，若有出错请指出。 摘要 暗光图像增强需要同时有效地处理颜色、亮度、对比度、伪影和噪声等多种因素。本文提出了一种新颖的注意力引导增强方案，并在此基础上构建了 端到端多分支（multi-branches） CNN。该方法的关键是计算两个注意力图来分别指导曝光增强和去噪任务。第一个注意力图区分曝光不足的区域和光照较好的区域，而第二个注意力图区分...
Compression Artifacts Reduction by a Deep Convolutional Network.pdf
05-23
Compression Artifacts Reduction by a Deep Convolutional Network
LLNet:A deep autoencoder approach to natural low-light image enhancement_Pattern Recognition 2016
yangyoung1223的博客
06-11 3007
这篇文章貌似是深度学习用于图像增强的第一批文章之一，应该说很具有开创性，所以拿来读一读看看 Abstract& Introduction 在当前的工作中，我们使用深度自动编码器（我们称为低光网络或LLNet）从表示学习的角度解决对比度增强的问题，该编码器经过训练可以学习低光图像中的基本信号特征并自适应地变亮和降噪 贡献：本文提出了一种利用一类深度神经网络-叠置稀疏去噪自动编码器（SSDA）...
《Low-Light Image Enhancement via Structure Modeling and Guidance》论文超详细解读（翻译＋精读）
最新发布
m0_52275819的博客
06-06 823
今天精读的是一篇来自2023年CVPR的一篇论文，主要还是跟低光图像增强有关。目录前言Abstract —摘要翻译精读一、Introduction—简介翻译精读二、Related Work—相关工作A. Low-light enhancement with learning—基于学习的低光增强翻译精读B. Generative model for restoration—生成模型在修复任务中的应用翻译精读三、Method—方法3.1. Appearance Modeling—外观建模翻译精读。
MSR-net:Low-light Image Enhancement Using Deep Convolutional Network--论文阅读笔记
zeronose的博客
03-25 2023
这是一篇低光照图像增强的文章。论文地址 很可惜没有找到相应的代码。 一、补充知识 看这篇文章建议先看一下关于Retinex图像增强算法（文章链接） Retinex是一种常用的建立在科学实验和科学分析基础上的图像增强方法，它是Edwin.H.Land于1963年提出的。就跟Matlab是由Matrix和Laboratory合成的一样，Retinex也是由两个单词合成的一个词语，他们分别是retina 和cortex，即：视网膜和皮层。Land的retinex模式是建立在以下三个假设之上的： 真实世界是无颜色
LLNET:A deep autoencoder approach to natural low-light image enhancement
weixin_43403605的博客
02-29 2822
##LLNET意义 LLNET是第一个真正意义上将深度学习应用在图像增强上的网络。其算法在现在看来比较基础，适合初接触图像增强领域的人阅读、实践。 ##摘要 文章提出了了一个基于深度自编码的方法提取图像特征，并适当增强图片亮度。 ##数据预处理 论文中的图像数据来源于网络上的开源数据集，将原始的数据集划分为训练集和测试集。 训练集的数据从图像中提取了422500个点，然后将这些图像像素数据归一化到...
【5】Very deep convolutional networks for large-scale image recognition.pdf
08-26
In this work we investigate the effect of the convolutional network depth on its accuracy in the large-scale image recognition setting. Our main contribution is a thorough evaluation of networks of ...
去噪代码matlab-Convolutional-neural-networks-based-robust-Denoising-of-Low-
05-27
去噪声代码matlab 基于卷积神经网络的低剂量计算机断层扫描灌注图鲁棒去噪 Matlab代码：（需要） 数据：使用该工具生成培训数据 Matlab代码，用于生成网络体系结构。 Matlab代码，用于测试经过训练的网络中的Phantom...
VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION
03-01
VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION非常经典的VGG-NET框架就是出自这篇文章
DeepLOB-Deep-Convolutional-Neural-Networks-for-Limit-Order-Books:这个jupyter笔记本用来演示我们最近的工作，“ DeepLOB
05-23
DeepLOB-深度卷积神经网络用于有限订购书这个jupyter笔记本用于演示我们最近在IEEE Transactions on Singal Processing上发表的工作“ DeepLOB：用于极限定单书的深度卷积神经网络”。 我们使用FI-2010数据集并在...
Image-Denoising-with-Convolutional-Denoising-Autoencoders:使用卷积去噪自动编码器进行图像去噪
05-09
使用卷积去噪自动编码器的图像去噪 使用卷积去噪自动编码器进行图像去噪 执行中 笔记本的名称表示用于训练模型的数据集名称。 要查看正在运行的代码，请按照下列步骤操作 安装tensorflow，scipy，keras，pickle和...
【论文精读】LLNet: A Deep Autoencoder approach to Natural Low-light Image Enhancement
weixin_42780429的博客
03-21 3190
目录摘要贡献网络结构（LLNet）从微光中学习特征SSDLLNetS-LLNet网络参数 摘要 本文提出了一种基于深度自动编码器的方法来识别弱光图像中的信号特征，并在不过度放大/饱和高动态范围图像的较亮部分的情况下自适应地使图像变亮。在监视、监视和战术侦察中，从动态环境中收集视觉信息并对其进行准确处理对于做出明智的决策和确保任务的成功至关重要。相机传感器在拍摄光线不佳的环境中拍摄的清晰图像或视频时往往成本有限。许多应用的目标是以机载实时方式增强图像的亮度、对比度和降低噪声含量。我们表明，堆叠稀疏去噪自动编码
图像增强：LLNet: A Deep Autoencoder approach to Natural Low-light Image Enhancement介绍
郭云飞的专栏
10-20 8428
LLNet: A Deep Autoencoder approach to Natural Low-light Image Enhancement（利用深度自编码器对低照度图像进行增强） 一、自编码器网络结构 二、训练过程 三、试验结果 Comparison of methods of enhancing ‘Town’ when applied to
Low-Light Image Enhancement with Wavelet-based Diffusion Models
u013049912的博客
06-15 3290
扩散模型在图像恢复任务中取得了很好的效果，但存在时间长、计算资源消耗大、恢复不稳定等问题。为了解决这些问题，我们提出了一种鲁棒和高效的基于扩散的微光图像增强方法，称为DiffLL。具体来说，我们提出了一个基于小波的条件扩散模型(WCDM)，它利用扩散模型的生成能力来产生令人满意的感知保真度的结果。此外，该算法还利用小波变换的优势，在不牺牲信息的前提下大大加快推理速度，减少计算资源的使用。
论文阅读笔记:Low-Light Image Enhancement via a Deep Hybrid Network
weixin_45937009的博客
04-10 1297
论文阅读笔记:Low-Light Image Enhancement via a Deep Hybrid Network摘要论文要点研究目的解决方案简要网络设计content streamedge stream最后的融合损失函数相关试验个人对论文、模型的评价相关链接 摘要 在光线不足的环境中，摄像头传感器通常无法捕捉清晰的图像或视频。在这篇论文中，作者提出一个可训练的混合网路来提升退化影像的可见度。该网络由两个不同的流组成，在一个统一的网络中同时学习全局内容和清晰图像的显著结构。更具体地说，内容流(cont
图像融合亮度一致_介绍几篇最近看的低光照图像增强的论文
weixin_39988888的博客
11-23 1549
本博客主要为了记录一下自己看的一些论文，方便对比回顾，若有问题欢迎指出。 原文链接李佳倩的博客 | LJQ's Blog​jiaqianlee.com背景 图像在较低的光照下拍摄往往存在亮度低、对比度差等问题，从而影响一些high-level任务，因此低光照图像增强的研究具有很强的现实意义。现有的方法主要分为两类，基于直方图均衡的方法和基于Retinex理论的方法。基于HE的方法主要是扩大图像的...
csdn_export_md
weixin_46422745的博客
09-07 1012
低光照图像增强论文总结
低光图像增强（Low-light image enhancement）文章整理
热门推荐
fovever_的博客
05-02 1万+
低光图像增强是图像增强任务中的重要组成部分，目前对于低光图像增强方法的整理参差不全。因此希望在以有的文章基础上整理汇总一下现有的低光图像增强算法（文章和代码）。希望为自己以及大家查找低光图像增强领域的文章和代码提供一些便捷。
very deep convolutional networks for large-scale image recognition
03-17
深度卷积网络是用于大规模图像识别的常用技术。它们通过不断地堆叠卷积层和池化层来增加网络的深度，从而能够更好地提取图像中的特征。在训练过程中，网络会自动学习到图像中的高级特征，如边缘、纹理、形状等，从而...
评论 2
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