DeGAN:通过生成对抗网络去除混合噪声

已于 2022-07-03 19:37:33 修改
阅读量4.2k 收藏 29
点赞数 1
文章标签： 大数据 深度学习
于 2022-06-28 22:53:43 首次发布
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/RrS_G/article/details/125474329
版权

目录

一、引言

二、网络及损失

三、主要实验结果

一、引言

首先介绍混合噪声：

        x为无噪声图像，y为其对应的观测噪声版本:

n是加性高斯白噪声(AWGN)，n\sim N(0,\sigma^2)，v是脉冲噪声(IN)——对像素造成破坏。一般的图像去噪模型只关注前一种噪声。下面介绍一下IN：

        假设[e_{min}, e_{max}]为图像像素值的变化范围。当一个图像被SPIN损坏时，它的一些像素值是e_{min}或e_{max}，当它被RVIN损坏时，它的一些像素值是e_{min}和e_{max}之间的随机值。SPIN和RVIN是IN的两种形式。

本文关注三种不同类型的混合噪声:

(1)、AWGN+SPIN (2)、AWGN+RVIN (3)、AWGN+SPIN+RVIN

二、网络及损失

       网络结构如下：

要注意的是：生成器的输入不是单纯的噪声，而是带噪声的图片，输出一个去噪的图片。特征提取层的输入是去噪图像和干净图像，比较其相似性。

        损失包括四部分：1、对抗损失L_{ad}；2、像素损失L_p；3、特征损失L_F；4、结构相似度损失L_{SSIM}。

 

 鉴于L_F可能会丢失一些图像细节和模糊图像因此作者引入：

此外，考虑到L_p和L_F不能衡量图像的结构相似度，作者又提出

其中

综上所述总的损失为：

三、主要实验结果

AWGN+SPIN：

 AWGN+RVIN：

 AWGN+SPIN+RVIN：

最后附tensorflow代码(非官方)：DeGAN/DenoiseChannel.ipynb at main · wjayesh/DeGAN (github.com)

pytorch代码(非官方)：

wahahahaya/DeGAN-noise_distribution (github.com)

RrS_G
关注
汉字风格迁移篇----CS-GAN：中国书法翻译的跨结构生成对抗网络
m0_61985580的博客
12-07 683
为了解决跨结构图像翻译问题，如中国书法的跨结构翻译问题，本文提出了一种新的生成对抗网络模型CS-GAN。在CSGAN中，使用分布变换、重参数化技巧 和 采样特征将从域S获得的特征映射转换为域T，然后通过特征拼接生成域T的图像。 所提出的CS-GAN在三组中国书法数据上进行了验证，这些数据具有来自三位著名书法家颜真卿、赵孟頫和欧阳询的结构差异。广泛的实验结果表明，所提出的CS-GAN成功地转换了不同结构的中国书法数据，并优于最先进的模型。
MATLAB算法实战应用案例精讲-【深度学习】对抗神经网络-GAN
qq_36130719的博客
08-16 427
​ GAN的主要思想是对抗思想：对抗思想已经成功地应用于许多领域，如机器学习、人工智能、计算机视觉和自然语言处理。最近AlphaGo击败世界顶尖人类玩家的事件引起了公众对人工智能的兴趣。AlphaGo的中间版本使用两个相互竞争的网络。对抗性示例是指与真实示例非常不同，但被非常自信地归入真实类别的示例，或与真实示例略有不同，但被归入错误类别的示例。这是最近一个非常热门的研究课题。​ 对抗式机器学习是一个极大极小问题。
生成对抗网络降噪算法
09-07
使用tensorflow框架写的生成对抗网络用于图像降噪，降噪效果在测试集上表现非常好，可以参看https://blog.csdn.net/xiaoxifei/article/details/82498705 记载的效果
图像合成与改进：从生成对抗网络到抗噪处理
AI天才研究院
12-27 517
1.背景介绍 图像合成和改进是计算机视觉领域中的一个重要研究方向，它涉及到生成高质量的图像，以及对现有图像进行改进和优化。随着深度学习技术的发展，生成对抗网络(GANs)成为了图像合成和改进的重要工具。本文将从生成对抗网络到抗噪处理的角度，深入探讨图像合成与改进的核心概念、算法原理、具体操作步骤和数学模型。 2.核心概念与联系 2.1 生成对抗网络(GANs) 生成对抗网络(GANs)是一...
跳跃连接的双卷积去噪网络（NECDNet）
百态老人的博客
03-03 1143
跳跃连接的双卷积去噪网络（NECDNet）是一种结合多模块协同作用的创新图像去噪方法，其核心设计理念是通过双路径特征提取和跨层信息融合，在保持较低计算复杂度的同时实现高效去噪。
用生成对抗神经网络进行图像去噪【ImageDenoisingGAN】Image Denoising Using a Generative Adversarial
热门推荐
⚡
05-26 2万+
原文和源代码： https://github.com/manumathewthomas/ImageDenoisingGAN 这不是一篇严格的用GAN进行图像去噪的文章，代码有一些小小的bug需要纠正。 另外，自己生成的数据集，用这个代码跑，会发现图像出现严重变色。 本博主的代码更改：https://github.com/iteapoy/GANDenoising 关于博主代码说明：这个...
Image Denoising Using A Generative Adversarial Network-基于生成对抗网络的图像去噪
有梦想的咕噜家族
11-12 1227
动画工作室使用一种称为路径跟踪的技术来渲染3D场景，该技术使它们能够创建高质量的照片级逼真帧。路径跟踪涉及将1000条光线随机发射到一个像素中(蒙特卡洛)，然后这些光线将击中场景中的对象，并基于对象的反射属性，这些光线被反射或折射或被吸收。对这些光线返回的颜色进行平均，以确定像素的颜色。对所有像素重复此过程。由于计算复杂，渲染一帧可能需要8-16个小时。我们实现了一个基于神经网络的解决方案，一旦网络被训练，使用生成性对抗网络(GAN)将渲染一帧所需的时间减少到不到一秒。
基于生成对抗网络的语音去噪算法研究_王贵显_GaN_深度学习_深度学习去噪_gan去噪_深度学习通信_
09-29
语音去噪实现从受噪声污染的语音中提取有用的信号，属于一种语音降噪的技术。其作为语音信号处理技术的一个重要分支，在语音编码、语音通信等领域应用广泛。尤其在近几年，随着人工智能及深度学习技术的兴起，生成对抗网络（ＧＡＮ）作为一种深度学习的实例己然成为降噪技术研宄的热点。
HI-GAN:一种用于真实照片盲去噪的分层生成对抗网络
RrS_G的博客
07-10 2596
目录一、相关工作1.1、真实图像的盲去噪1.2、RSGAN二、方法三、模型结构四、实验结果​ 去噪方法可以分为两种:盲去噪和非盲去噪。一般的去噪方法主要是解决高斯噪声分布已知的非盲去噪问题。然而，现实世界的噪声是高度复杂和不可预测的，因为噪声可以有多个来源，如暗电流噪声和热噪声。最先进的dcnn，如FFDNet[47]和DnCNN[46]可以导致非盲去噪的显著改进，但无法完全消除现实世界的盲噪声。这篇文章专注于解决对真实世界的噪声图像进行盲去噪的问题。首先介绍怎么对上述噪声建模：
生成对抗网络(六)----------Image Denoising Using a Generative Adversarial Network(用GAN对图像去噪)
励志的小胡子
05-20 9269
前言 这是一篇关于使用GAN对图像降噪的论文，我翻译了论文，也看了代码，以下是github链接：GAN去噪。我看懂了论文，这确实是一篇很好的论文。使用当下最火的GAN对图像进行去噪。也是一个开创性的想法。文中的损失函数与以往的不同。但是其他思想与传统GAN都是类似的。读完论文之后，我下载了相关代码，但是在代码中我遇到了问题。想要训练模型，却没有跑起来。如果你将代码跑起来了。可以在下面留言。我们一...
CEgan和degan的区别
09-20
CEGAN（Conditional Energy-based GAN）和DEGAN（Deep Energy-based Generative Adversarial Network）都是基于能量函数的生成对抗网络（GAN）的变体。 CEGAN是一种有条件的GAN，它使用条件信息来控制生成的样本。...
基于结构保持生成对抗网络的图像去噪
07-07
为了去除频域光学相干断层扫描（SD-o℃T）中的散斑噪声，提出了一种结构保持生成对抗网络模型，可以无监督地从SD-o℃τ图像合成高质量的增强深部成像光学相千断层扫描（EυI-oCT图像。该模型基于循环生成对抗网络结构学习无配对 SD-OCT和EDI-oCT图像之间的域映射关系。为了克服循环生成对抗网络生成图像的结构性差异问题，模型利用连续帧之间的相似性引入全局结构损失，保证了图像的全局结构一致性;同时通过模态无关邻域描述符引入局部结构损失，保持了图像的解剖结构细节。在50组 Cirrus-OCT数据集上进行去噪的实验结果表明。该模型的PSNR值为29.03dB，SSIM值为0.82，EPI值为0.50，均优于现有模型。
各种混合语音噪声
04-04
各种不同环境下噪声库
改进版GCN 学习Simplifying Graph Convolutional Networks
weixin_43537073的博客
01-15 2709
本文是SGC（简化版GCN），主要通过连续去除非线性和在连续层之间的折叠权矩阵来减少GCN的复杂性。而且这些简化不会对准确性产生负面影响。在Reddit上比FastGCN产生两个数量级的加速。 文章目录一、Introduction一、pandas是什么？ 一、Introduction 简单来说，本文就是把非线性的GCN转换成一个简单的线性模型SGC，反复消除GCN层之间的非线性并将得到的函数折叠成一个线性变换来减少GCNs额外的复杂度。其实对于要求较低的应用来说，这是不必要的。 一、pandas是什么？
高光谱图像三维卷积
最新发布
03-08
考虑到HSI-DeNet存在的过平滑问题，研究者引入了生成对抗网络的概念来改进原有的修复方案。新提出的HSI-DeGAN框架包含了两个核心部分：一个是用来重建缺失或损坏像素点处原始信号强度分布规律的生成子网；另一个则是...
图像处理之图像复原算法：深度学习去噪：生成对抗网络（GAN）去噪技术
kkchenjj的博客
07-28 2770
生成对抗网络（Generative Adversarial Networks，简称GAN）是一种深度学习模型，由Ian Goodfellow等人在2014年提出。GAN由两个神经网络组成：生成器（Generator）和判别器（Discriminator）。生成器的目标是生成与真实数据分布相似的数据，而判别器的目标是区分生成器生成的数据和真实数据。这两个网络通过对抗的方式共同学习，最终生成器能够生成高质量的、与真实数据难以区分的合成数据。
图像处理+gui pyqt界面 图像去噪 生成对抗网络 GAN SwinUNet pytorch 基于GAN和Swin UNet的图像去噪系统 图像去噪gui pyqt5+有训练好的模型 深度学习
2401_88440984的博客
10-26 649
图像处理+gui pyqt界面 图像去噪 生成对抗网络 GAN SwinUNet pytorch 基于GAN和Swin UNet的图像去噪系统 图像去噪gui pyqt5+有训练好的模型 深度学习
生成对抗网络用于图像降噪 Image Denoising with GAN
xiaoxifei的专栏
09-07 1万+
使用tensorflow 搭建生成对抗网络用于进行图像降噪 基于神经网络的解决方案，这种方法的主要思想是使用少量的样本渲染每个像素（比方说4spp或8spp而不是32Kspp），并将噪声图像传递到网络，这将产生高质量的真实感图像。 1.  降噪效果展示： 1.1 RGB图像 1.2 医学CT图像 2. 该网络代码需要加载的python包 python 3.5 tensorfl...
dncnn图像去噪_基于GANs训练去噪深度神经网络实现了良好的图像盲去噪效果
weixin_39616339的博客
12-19 1380
从包含噪音的图像中去除未知噪音是一项充满挑战的工作，由于缺乏有效的训练数据使得这一领域面临许多问题。中山大学的研究人员们提出了一种“两步走”的框架，通过GANs训练输入图像的噪声分布来并利用生成的噪声样本生成了丰富的训练数据，并基于此训练了去噪深度神经网络实现了良好的图像盲去噪效果。几种图像盲去噪算法的表现，右下角为本文结果。一、图像盲去噪图像去噪是早期视觉的重要问题，也是许多计算机视觉任务不可或...
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