《Deep Convolutional Denoising of Low-Light Images》

最新推荐文章于 2024-10-31 11:23:28 发布
最新推荐文章于 2024-10-31 11:23:28 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
cvpr2015papers
ZhangPY的专栏
03-02 8972
@http://www-cs-faculty.stanford.edu/people/karpathy/cvpr2015papers/ CVPR 2015 papers (in nicer format than this) maintained by @karpathy NEW: This year I also embedded the (1,2-gram) tfidf
CVPR 2020 论文大盘点-图像增强与图像恢复篇
我爱计算机视觉
06-30 8877
本文继上一篇CVPR 2020 论文大盘点-去雨去雾去模糊篇之后，继续盘点CVPR 2020 中低层图像处理技术，本篇聚焦于图像视频的增强与恢复，含如下四个方向：图像与视频增强（Im...
low-light系列：Lightening Network for Low-light Image Enhancement
鳄鱼的博客
09-14 3031
前言 文章下载链接在后面 这是一篇顶刊TIP2020的文章，重点在于： 文章将暗光增强任务视为一个求residual（残差）的任务 LBP模块的提出，借用了SR（超分辨率）任务中的back-projection思想 可调亮度的参数γ 没有采用常用的L1、L2作为loss，而是采用SSIM loss 与TV smooth loss 暗光增强任务需要融合global和local不同层级的特征才能很好地完成任务 residual的假设 Y=X+γP(X)−nY = X + \gamma P(X)-nY=X+γ
【论文精读】Improving Extreme Low-Light Image Denoising via Residual Learning
Irisa_的博客
08-12 2434
IEEE论文解读——Improving Extreme Low-Light Image Denoising via Residual Learning（通过残差学习改善极低光图像去噪）摘要1.引言2.相关文献2.1.图像去噪2.2.低光图像增强3.我们的方法4.实验4.1.数据集和实验设置4.2.主观质量4.2.1.去噪4.2.2.颜色精度4.2.3.色彩扩散4.2.4.图像细节4.3.客观质量4.4.复杂性分析5.结论 摘要 在低光环境中拍摄的图像，由于信噪比低而产生噪声。关于图像去噪，已经提出一些方法，
探索低照度图像增强的利器：RetinexNet
最新发布
gitblog_06546的博客
10-31 388
探索低照度图像增强的利器：RetinexNet 【下载地址】低照度图像增强之卷积神经网络RetinexNet分享 本仓库提供了RetinexNet模型的实现资源，这是一个专门用于低照度图像增强的深度学习模型。RetinexNet结合了经典的Retinex理论与现代卷积神经网络技术，由北京大学的研究团队提出，并在2018年...
Low-Light Image Enhancement with Wavelet-based Diffusion Models
u013049912的博客
06-15 4176
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。
R2RNet: Low-light Image Enhancement via Real-low to Real-normal Network
wyj2228785069的博客
01-10 1836
R2RNet笔记
MSR-net:Low-light Image Enhancement Using Deep Convolutional Network--论文阅读笔记
zeronose的博客
03-25 2167
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
缺陷检测相关论文继续更新
庆志的小徒弟
10-21 8058
转自自己的github ：https://github.com/Eatzhy/surface-defect-detection 论文可以从github上下载，记得加星收藏，谢谢哦！ surface-defect-detection 分享一些表面缺陷检测的文章，主要检测对象是：金属表面、LCD屏、建筑、输电线等缺陷或异常检物。方法以分类方法、检测方法、重构方法、生成方法为主。电子版论文放在了...
python去噪算法_最新可复现图像去噪算法汇总
weixin_39681161的博客
11-29 691
reproducible-image-denoising-state-of-the-artCollection of popular and reproducible single image denoising works. This collection is inspired by the summary by flyywhCriteria: works must have codes av...
论文研究-基于时域自适应滤波及非局部平均的夜视图像去噪算法.pdf
07-22
为了增强夜视图像的可视性和清晰度，提出了一种适用于夜视环境的视频图像去噪和增强算法。首先在噪声消除方面，提出了一种基于卡尔曼结构更新的运动自适应时域滤波器；然后利用带有自适应限幅阈值的伽马校正调整RGB直方图来增加去噪视频图像的动态范围；最后，使用非局部平均（NLM）去噪滤波器消除剩余噪声。提出的方法能够直接用于颜色滤波阵列（CFA）原始视频图像，以便获得较低的内存消耗。在夜间环境（低于0.1 lx）下，利用200万像素CMOS传感器进行了具体测试，实验结果表明，相比现有的夜视图像增强方法，提出的视频图像增强法在夜间环境下均表现出了更加良好的性能指标。
低照度图像处理retinex理论MSR算法
05-25
基于retinex理论处理低照度图像增强，使用MSR算法，代码需处理图像，请先选择黑暗条件下拍摄的图像一幅
Python-深入双边学习实时图像增强
08-11
深入双边学习实时图像增强。An implementation of 'Deep Bilateral Learning for Real-Time Image Enhancements', SIGGRAPH 2017 。
LIME低照度增强测试代码
01-03
LIME-low light/ night image enhancement 2017-tip 神作 效果惊人。包里含有完整的 测试代码； 直接可以使用作为对比
Optimized Contrast Enhancement for Real Time Image and Video Dehazing
03-24
Optimized Contrast Enhancement for Real Time Image and Video Dehazing
图像融合亮度一致_博文精选 | 基于深度学习的低光照图像增强方法总结
weixin_39588911的博客
12-16 554
光照估计(illumination estimation)和低光照增强(low-light enhancement)的区别：光照估计是一个专门的底层视觉任务，它的输出结果可以被用到其它任务中，例如图像增强、图像恢复（处理色差，白平衡）。而低光照增强是针对照明不足的图像存在的低亮度、低对比度、噪声、伪影等问题进行处理，提升视觉质量。值得一提的是，低光照增强方法有两种常见的模式，一种是直接end-to...
Deep Bilateral Learning for Real-Time Image Enhancement
qq_42250642的博客
05-21 1009
Deep Bilateral Learning for Real-Time Image Enhancement 论文简介： 本文提出了一种新的网络架构，它可以在全分辨率图像上实时执行图像增强，同时仍能捕捉高频效果。其主要采用的技术为双边网格处理和局部仿射颜色变换。 三个策略： 论文提出来的三个策略： 切片：将大部分的预测在低分辨的双边网格下进行，每个像素包括的x，y维和第三维表示颜色，可以用来在对3D双边网格做切片操作的时候考虑到输入的颜色，从3D双边网格以全图像分辨率重建输出图像。 仿射颜色变换：学习输
【论文精读】LLNet: A Deep Autoencoder approach to Natural Low-light Image Enhancement
weixin_42780429的博客
03-21 3718
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
暗光增强——URetinex-Net网络推理测试（详细图文教程）
qq_40280673的博客
12-30 1970
URetinex-Net 设计了三个基于学习的模块，分别负责数据相关的初始化、高效的展开优化和用户指定的光照增强。由于 URetinex-Net 的推理速度非常快，它可以用于需要实时图像处理的应用，如手机摄像头、实时视频流等。
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
>