《Dynamic Residual Dense Network for Image Denoising》阅读笔记

最新推荐文章于 2024-07-09 15:02:33 发布
最新推荐文章于 2024-07-09 15:02:33 发布
阅读量1.2k 收藏 5
点赞数 1
分类专栏： 阅读论文 文章标签： 计算机视觉
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/LiuJiuXiaoShiTou/article/details/107747145
版权
《Dynamic Residual Dense Network for Image Denoising》研究了RDN在图像去噪的局限性，并提出DRDN，一个能根据输入图像噪声量动态调整处理块的网络。DRDN通过门控模块实现动态跳过，降低了计算成本并提高了性能，尤其在实际噪声水平下优于CBDNet。
摘要由CSDN通过智能技术生成

一、论文

《Dynamic Residual Dense Network for Image Denoising》

摘要：深卷积神经网络在各种图像恢复任务上均取得了卓越的性能。 具体而言，通过密集级联多个残差密集块（RDB）以充分利用分层功能，残差密集网络（RDN）在减少图像噪声方面取得了出色的成果。 但是，RDN仅在单个噪声级别上的去噪性能良好，并且RDN的计算成本随着RDB数量的增加而显着增加，并且这仅会稍微改善去噪效果。 为了克服这个问题，我们提出了动态残差密集网络（DRDN），它是一种动态网络，可以根据输入图像的噪声量有选择地跳过某些RDB。 此外，DRDN允许修改降噪强度以手动获得最佳输出，这可以使网络对实际降噪更加有效。 我们提出的DRDN可以比RDN更好地执行，并将计算成本降低40-50％。 此外，在实际噪声基准上，我们比最新的CBDNet高出1.34 dB。

介绍：RDN级联数十个RDB，每个RDB通过密集的连接卷积层提取局部特征，这在推理时会消耗大量内存和计算成本。因此，我们将级联块视为一个序列，并使用包含RNN的门模块预测下一个块对处理当前特征图的重要性。 如果预测的重要性低于阈值，则跳过下一个块，并将该块退化为恒等函数。 此外，由于RDN没有用于估算实际噪声水平的模块，因此RDN仅在单个噪声水平上具有出色的降噪性能。 门模块将RDN从噪声电平估计中释放出来。 此外，它使RDN达到可调节的降噪强度水平，从而更好地满足了人类的感知。 我们提出的网络可以根据噪声量动态调整RDN中使用的块数，因此我们将其称为动态残差密集网络。

二、网络结构

如图2的顶部所示，我们提出的DRDN主要包括四个部分：特征提取模块，动态残差密集块（DRDB），特征融合和重建模块。 具体来说，特征提取模块使用两个卷积层来提取浅层特征：

最低0.47元/天 解锁文章
6个小石头
关注
  • 1
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【深度】清华黄高等人新作：动态神经网络首篇综述
BAAIBeijing的博客
03-10 2168
本文介绍我们近日于 arxiv上线的一篇论文 《Dynamic Neural Networks: A Survey》。传统的静态网络（如人们熟知的ResNet, DenseNet）在测试阶...
Paper | Dynamic Residual Dense Network for Image Denoising
LVXIAO2897的博客
10-03 702
目录 故事背景 DRDN 训练 发表于2019 Sensors。 摘要 Deep convolutional neural networks have achieved great performance on various image restoration task...
【技术追踪】SDSeg：医学图像的 Stable Diffusion 分割（MICCAI-2024）
qq_43426908的博客
06-27 1771
扩散模型已经证明了它们在各种生成任务中的有效性。然而，当应用于医学图像分割时，这些模型遇到了一些挑战，包括大量的资源和时间需求。他们还需要一个多步骤的反向过程和多个样本来产生可靠的预测。为了解决这些挑战，本文引入了第一个 latent diffusion 分割模型 SDSeg，建立在 stable diffusion（SD）上。SDSeg 采用了一个简单的 latent 估计策略，以促进单步反向过程，并利用潜在融合连接来消除对多个样本的必要性。
深度学习笔记：Deep Residual Networks with Dynamically Weighted Wavelet Coefficients for Fault Diagnosis of
weixin_43800529的博客
11-27 590
这篇文章的题目可翻译为“基于深度残差网络及动态加权小波系数的行星齿轮箱故障诊断”，将小波包变换和深度残差学习结合起来，应用于机械故障诊断。 文章的核心创新点：复杂旋转机械系统的振动数据包含着很多不同频率的冲击和振荡成分，而且不同频带内的振动成分在故障诊断中的重要程度经常是不同的，因此可以按照如下步骤设计深度神经网络，实现对不同频带信息自适应加权的功能。 第一步：对振动信号进行离散小波包分解，构建小...
论文阅读| Adaptive Consistency Prior based Deep Network for Image Denoising
Claire_wanqing的博客
07-12 2141
提出了一种新的深度网络图像去噪方法。与现有的基于深度网络的去噪方法不同，加入了新的方法将自适应一致先验（ACP）项引入优化问题，利用优化过程，利用展开策略为深度网络设计提供信息。.....................
真实噪声：Densely Connected Hierarchical Network for Image Denoising（CVPRW2019） 阅读理解
春秋战车
05-10 858
Deep Iterative Down-Up CNN for Image Denoising CVPRW2019 Densely Connected Hierarchical Network for Image Denoising CVPRW2019 相同作者：NTIRE 2019真实图像去噪挑战上Raw和RGB两个赛道分别获得第二第三。 效果看还行。 整个文章的主体结构： u-net 网络结构 + 通过基于预训练模型实现单个模型处理不同级别的噪声 + 通过自集成策略进一步提升模型效果 1...
Residual dense network for intensity-guided depth map enhancement
02-08
Recently, by introducing the guidance from the color image, deep convolutional neural network (DCNN) shows significant improvements for depth map enhancement. However, most DCNN-based methods do not ...
Residual Attention Network for Image Classification 相关复现代码
08-03
该模型设计的思想就是利用attention机制，在普通ResNet网络中，增加侧分支，侧分支通过一系列的卷积和池化操作，逐渐提取高层特征并增大模型的感受野，前面已经说过高层特征的激活对应位置能够反映attention的区域，...
Concatenated Residual Convolutional Network for Image Deblurring
05-25
2018年发表在计算机视觉和模式识别会议（CVPR）上的论文《Concatenated Residual Convolutional Network for Image Deblurring》提出了一种新颖的级联残差卷积神经网络（CRCNet），用于图像去模糊。本文将对这篇论文...
Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising:Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising-matlab开发
05-31
这是论文“Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising”的测试演示。 有两种模型，包括高斯去噪的特定/盲模型和高斯去噪的单一模型、单图像超分辨率（SISR）和JPEG图像去块。
Deep Residual Learning for Image Recognition原版及翻译及笔记
05-30
Deep Residual Learning for Image Recognition原版及翻译及笔记， 博客参考：https://blog.csdn.net/m0_46384757/article/details/125054695 resnet代码参考：...
《Densely Connected Hierarchical Network for Image Denoising》阅读笔记
69小石头的博客
05-17 725
一、论文 《Densely Connected Hierarchical Network for Image Denoising》 近年来，深度卷积神经网络已应用于众多图像处理研究中，并且表现出了显着改善的性能。 在这项研究中，我们引入了密集连接的分层图像去噪网络（DHDN），它超越了最新的图像去噪解决方案的性能。我们提出的网络通过应用改进的U-Net的层次结构来提高图像降噪性能。 这使我们的网络可以使用比其他方法更多的参数。 此外，我们通过对我们的卷积块和网络应用密集的连通性和残差学习来诱导特征重用并
东北师范大学提出新的基于分层输入梯度网络的深度学习去噪方法
我爱计算机视觉
10-24 359
关注公众号，发现CV技术之美在图像处理中，图像的高频区域（边缘、纹理等）直接影响着结果的视觉感官质量。本文工作重新思考了图像梯度在深度学习网络中的构建，从像素级对噪声图像进行分层，为网络输入提供更多的结构信息，并通过反向传播梯度引导网络学习高频特征。最后提出了即插即用的锐化损失解决去噪图像过于平滑的问题，突出图像中的高频信息而不影响低频信息。在模拟噪声和真实噪声数据benchmark数据集上实现了...
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 5403
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（...
diffusion medical image segmentation
qq_44996943的博客
03-30 736
code：https://github.com/JuliaWolleb/Diffusion-based-Segmentation code: https://github.com/WuJunde/MedSegDiff Segmentation with Transformer
【计算机视觉 | 图像分割】arxiv 计算机视觉关于图像分割的学术速递（7 月 18 日论文合集）
wzk4869的博客
07-22 1042
【计算机视觉 | 图像分割】arxiv 计算机视觉关于图像分割的学术速递（7 月 18 日论文合集）
清晰理解diffusion原理: DDPM
最新发布
人工智能曾小健
07-09 961
现在大火的stable diffusion系列，Sora，stable video diffusion等视频生成模型都是基于了diffusion模型。而diffusion模型的基石就是DDPM算法（之后有一些diffusion的加速方法，但是原理上还是DDPM），所以需要我们对DDPM有一定的了解，了解了DDPM可以帮助我们更好的理解diffusion模型。DDPM全称是Denoising Diffusion Probabilistic Models，最开始提出是用于去噪领域。
机器学习库
makerNo的博客
06-13 2238
机器学习 一個很棒的機器學習框架、庫和軟件的精選列表（按語言）。靈感來自於 awesome-php。 计算机视觉 Scikit-Image - Python 中图像处理算法的集合。 Scikit-Opt - Python 中的群智能（Python 中的遗传算法、粒子群优化、模拟退火、蚁群算法、免疫算法、人工鱼群算法） SimpleCV - 一个开源计算机视觉框架，可以访问多个高性能计算机视觉库，例如 OpenCV。用 Python 编写，可在 Mac、Windows 和 Ubuntu Linux 上运行。
【医学图像】图像分割系列.2 （diffusion）
m0_61899108的博客
05-24 5849
​ 介绍几篇使用diffusion来实现医学图像分割的论文：DARL（ICLR2023），MedSegDiff（MIDL2023）& MedSegDiff-V2（arXiv2023），ImgX-DiffSeg（arXiv2023） ​
residual attention network for image classification
03-16
残差注意力网络（Residual Attention Network）是一种用于图像分类的深度学习模型。与传统的卷积神经网络不同，残差注意力网络在每个卷积块的最后添加了注意力机制，以使模型能够自适应地关注不同区域的特征。同时，该模型引入了残差连接（Residual Connection），可以更有效地传递梯度并避免梯度消失的问题。通过这些创新的设计，残差注意力网络在各种图像分类任务上都取得了很好的表现，成为深度学习领域的研究热点之一。
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