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: