一篇新论文对图像去噪的传统方法（如BM3D）与深度学习方法进行了全面比较，涉及191篇文献。论文作者来自理海大学和华南理工大学，提供了详细的评测数据集和代码。尽管深度学习在许多领域占主导，但基于非局部自相似性的传统方法在某些情况下仍表现出色。论文还提出了新的评估标准和大量视觉效果对比，揭示了在不同噪声水平和数据集上的去噪性能。
图像去噪是计算机视觉领域的传统方向，对于可见光图像、视频、核磁图像等的处理仍应用广泛，在工业和学术界引起很多人的关注，基于BM3D(block-matching 3D ，2007)框架的系列算法是该领域的著名方法，其结合图像非局部相似的属性和变换域的稀疏表示，在深度学习用于CV各领域的今天仍有用武之地。
今天新出的论文『A Comprehensive Comparison of Multi-Dimensional Image Denoising Methods』，对传统的图像去噪方法和深度学习方法进行了综述和比较，考察了191篇文献，相信对研究该方向的朋友定有帮助。
该文作者信息：
作者来自理海大学和华南理工大学。
-
论文链接：https://arxiv.org/abs/2011.03462
-
代码链接：https://github.com/ZhaomingKong/Denoising-Comparison
图像去噪旨在给定噪声图像恢复原图像，单在噪声模型难以估计的情况下，利用图像的 NLSS（非局部自相似） 属性成为方法的主流。亦即自然图像内部含有相似的图像块，利用此特点恢复源图像，NLSS先验与补丁表征示例：
传统图像去噪方法（成功的BM3D框架的众多方法）流程：
即噪声图像经过Grouping、Collaborative filtering、Aggregation，得到结果图像。
传统的多维图像数据的去噪器：
基于DNN去噪方法及应用：
最低0.47元/天 解锁文章
扫一扫
2150
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
