详细理解"Deep Boosting for Image Denoising"这篇文章

最新推荐文章于 2020-09-24 10:11:39 发布
置顶 最新推荐文章于 2020-09-24 10:11:39 发布
阅读量2.2k 收藏 6
点赞数 2
分类专栏： 深度学习 文章标签： 深度学习 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/QCroot/article/details/93985905
版权
本文详细解读ECCV2018年文章《Deep Boosting for Image Denoising》。文章提出了一种利用Boosting方法增强深度网络去噪效果的策略，结合DenseNet克服梯度消失问题，采用路径扩展融合和扩展卷积的轻量级网络DDFN。通过Boosting迭代，不断提取并去噪，同时避免过度平滑。实验结果显示，该方法相比DNCNN提高了约0.3dB的去噪效果。
摘要由CSDN通过智能技术生成

目录

 

前言 

文章思路（公式描述）

Result

前言 

Deep Boosting for Image Denoising是ECCV2018年的文章，由于小菜我主要接触的是关于Low-Level Computer Vision，所以在ECCV2018论文集中看到了这一篇文章。

    这篇文章由于利用了Boosting方法，是可以基于一个比较成熟的网络上做进一步的Boosting迭代去进一步的优化网络的效果的方法，所以在论文的Introduction中介绍了目前图像图像去噪的两种方式：

  1. 基于图像的相关性（内部）实现去噪的方法 比如BM3D、CSF和WNNM等等
  2. 基于外部样本学习的方法 比如DNCNN、LRNN等等

    所以基于以上较为成熟的可以进一步的提高PSNR等。论文中提出的几个不错的点可以描述为：

  1. DenseNet 用于克服梯度消失的问题
  2. 一种路径扩展融合的方法、与扩展卷积相结合后将轻量级但高效的卷积神经网络作为增强单元DDFN
  3. Boosting迭代去训练的方法进一步增强网络效果

文章思路（公式描述）

    首先定义网络输入图  y = x（clean image） + v（additive noise）（1）表示为网络输入图是一个遵循实数域下的原始图像添加一个加性正太分布的高斯噪声。然后经过 \hat{x}=S(y)=S(x+v) （2）很好理解 一个含噪图像经过去噪网络S后肯定去除了一定的噪声 当然也会损失一定的原图的信息所以我们定义u =  \hat{x} - x = v_{r}-x_{r} （3） 这里v_{r}定义为剩余的噪声，也就是含噪图像y中的噪声v经过去噪网络后在\hat{x}

最低0.47元/天 解锁文章
光烟
关注
专栏目录
Bagging和Boosting的理解与对比1
08-08
下面我们将详细探讨这两种方法的概念、工作原理以及它们之间的区别。 **Bagging（Bootstrap Aggregating）**，又称自助采样法，是由统计学家Leo Breiman提出的一种并行化的集成学习策略。Bagging的核心思想是通过...
关于“DBDnet: A Deep Boosting Strategy for ImageDenoising“一文理解
RrS_G的博客
07-23 873
译DBDnet图像去噪的深度提升策略。
论文阅读：Multi-Scale Boosted Dehazing Network with Dense Feature Fusion
space_walk的博客
09-24 5876
代码：https://github.com/BookerDeWitt/MSBDN-DFF 目录1. 摘要2. 提出的方法2.1 Multi-Scale Boosted Dehazing Network2.2 SOS Boosted Module1) Boosting in image dehazing2) Deep boosted dehazing network3) Alternatives to SOS boosted module2.3 Dense Feature Fusion Module2.4 .
Multi-Scale Boosted Dehazing Network with Dense Feature Fusion（CVPR2020） 阅读理解
春秋战车
05-03 6748
Multi-Scale Boosted Dehazing Network with Dense Feature Fusion（CVPR2020） 1 简要 1作：西安交通大学 在本文中，作者团队提出了一种基于U-Net架构的具有密集特征融合的多尺度增强去雾网络。 该方法是基于boosting和误差反馈这两个原理设计的，表明它们适用于去雾问题。 1 通过在所提出模型的解码器中加入“Stren...
论文阅读笔记——《Good Similar Patches for Image Denoising》
gwpscut的博客
05-08 931
作者认为，基于patch的去噪方法之所以可以获得较好的performance就是因为recurrence of similar patches in an input image to estimate the underlying image structures（在输入图像中重复出现类似的补丁以估计底层图像结构。）然而，denoise中所用的相似的patch是通过邻近搜索的（NNS），而有时却...
在linux下编译DeepBoosting（在win7下实现）
u012648144的专栏
10-07 860
1.  $g++ -o DBOut * 出现以下结果：
boosting for transfer learning
12-20
**Boosting for Transfer Learning** Boosting是一种集成学习方法，它通过组合多个弱预测器来创建一个强预测器。在机器学习领域，Boosting被广泛应用于提高模型的性能和泛化能力。而Transfer Learning（迁移学习）...
深度学习笔记~集成方法bagging, boosting和stacking
zlibo丶的博客
05-16 2461
转载：https://towardsdatascience.com/ensemble-methods-bagging-boosting-and-stacking-c9214a10a205 作者：Joseph Rocca Ensemble methods: bagging, boosting andstacking Introduction “Unity is ...
Boosting算法简介
weixin_34249367的博客
01-18 1217
一、Boosting算法的发展历史 　　Boosting算法是一种把若干个分类器整合为一个分类器的方法，在boosting算法产生之前，还出现过两种比较重要的将多个分类器整合为一个分类器的方法，即boostrapping方法和bagging方法。我们先简要介绍一下bootstrapping方法和bagging方法。 　　1）bootstrapping方法的主要过程 　　...
论文笔记：Boosting Deep Learning Risk Prediction with Generative Adversarial Networks for Electronic Heal
travalscx的博客
09-11 289
结合多个网络 GAN CNN encoderdecoder GAN生成有类别标签的假样本
bagging和boosting 总结，较全
热门推荐
u014114990的专栏
03-21 4万+
原文地址：http://blog.csdn.net/ice110956/article/details/10077717 作为集成学习的二个方法，其实bagging和boosting的实现比较容易理解，但是理论证明比较费力。下面首先介绍这两种方法。 所谓的集成学习，就是用多重或多个弱分类器结合为一个强分类器，从而达到提升分类方法效果。严格来说，集成学习并不算是一种分类器
Boosting从原理到实现图像数组的训练
BE A CREATOR
03-14 2012
Boosting原理众做周知，boosting就是所谓的有多个弱分类器组成一个强分类器。而什么叫做弱分类学习和什么时候需要使用弱分类学习呢？弱分类学习弱分类学习：识别一组概念的正确率仅比随机猜的概率高一点。 同理，当需要分类的训练组具有上述特点时，可以优先考虑使用boosting算法。
在没有技术术语的情况下介绍Adaptive、GBDT、XGboosting等提升算法的原理
deephub
07-07 4518
这篇文章将不使用任何的术语介绍每个提升算法如何决定每棵树的票数。通过理解这些算法是如何工作的，我们将了解什么时候使用哪种工具。 提升家庭有三名成员。它们是Adaptive Boosting（自适应提升）、Gradient Boosting（梯度提升）和XG Boosting.（极端梯度提升）。它将按顺序进行讨论。 Adaboost Adaboost只用一个因素来判断一棵树的好坏——它的准确性。然而，这里有一个狡猾的转折。每棵树都由一组稍有不同的样本进行训练。所以? 假设你正在准备SAT考试，考试分为四个部分
机器学习(Machine Learning)与深度学习(Deep Learning)资料汇总
ZhangPY的专栏
02-28 6684
《Brief History of Machine Learning》 介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning. 《Deep Learning in Neural Networks: An Overview》 介绍:这是瑞士人工智能实验室Jurgen Schmidhuber写的最
Boosting集合算法详解（一）
机器学习算法
05-22 2425
本文是关于聚类算法的第二篇K-means，感兴趣的同学可以前往http://ihoge.cn/2018/clustering.html 阅读完整版。 二、K-means 1. 算法步骤 <1> 选择KKK个点作为初始质心 <2> Repeat： <3> 将每个点指派到最近的质心，形成KKK个簇 <4> 重新计...
人群密度估计--Learning to Count with CNN Boosting
AI小作坊 的博客
09-28 3059
Learning to Count with CNN Boosting ECCV2016本文使用CNN来进行人群密度估计，主要有两个改进地方：layered boosting and selective samplingBoosting deep networks ： Boosting 在组合学习中是一种知名的贪婪技术。基本的思想就是对前一个分类器的误差训练一个新的分类器来矫正。广义上，当使用多个
评论 4
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