文献阅读
文章平均质量分 94
小钊_
悟以往之不谏,知来者之可追
展开
-
Video Enhancement with Task-Oriented Flow
许多算法通过光流对齐帧,但是精确的光流估计很难,且光流通常是对特定处理视频的一种次级表示,在本文提出一种新的,这是一种自我监督、特定于具体任务的方式学习的运动表示。本文训练一种神经网络,可以训练运动估计和视频处理两部分组件,通过两者联合训练实现TOFlow,同时,构造了数据集Vimeo90K,用于低级视频处理的大规模、高质量的视频数据集TOFlow在其数据集上的性能,在这些传统视频处理任务(帧插值、去噪、去块和超分辨)中要好于光流处理。原创 2023-07-14 19:33:44 · 401 阅读 · 0 评论 -
ViDeNN: Deep Blind Video Denoising
提出一种无需事先了解噪声分布的视频去噪CNN原创 2023-07-14 19:32:31 · 401 阅读 · 0 评论 -
Non-Local Video Denoising by CNN
基于非局部补丁的方法直到最近才成为图像去噪的最先进技术,但现在被 CNN 超越。然而,它们仍然是视频去噪的最先进技术,因为视频冗余是获得高去噪性能的关键因素。问题在于 CNN 架构与搜索自相似性几乎不兼容。在这项工作中,我们提出了一种将视频自相似性提供给 CNN 的新的有效方法。非局部性通过第一个不可训练层合并到网络中,该层为输入图像中的每个补丁找到其在搜索区域中最相似的补丁。然后将这些补丁的中心值收集在分配给每个图像像素的特征向量中。该信息被呈现给经过训练以预测干净图像的 CNN。原创 2023-07-14 19:31:36 · 986 阅读 · 0 评论 -
Multiframe-to-Multiframe Network for Video Denoising
现存方法:多相邻帧恢复一个干净帧,效果好但是由于按顺序去噪考虑可能造成视频闪烁;本文:提出一个多帧对多帧的去噪模型,从连续噪声帧中恢复多个干净帧。本文基于训练策略,从时间和空间优化去噪视频,从而保持时间一致性。MMNet架构:采用时空卷积机构,同时考虑帧间相似性和单帧特性。受益于并行机制。原创 2023-07-14 19:30:41 · 345 阅读 · 0 评论 -
Learning Spatial and Spatio-Temporal Pixel
现有去噪方法通过恢复,本文建议使用NN,不依赖于手工制作和平均策略本文提出应用图像去噪,自适应图像结构,有效降低过度平滑和伪影再提出引用视频去噪,有效采用空间时间像素,解决大运动的问题引入新的和进行训练视频去噪模型。图像和视频捕获系统通常会因噪声(包括光子的散粒噪声和传感器的读取噪声)而退化 [1]。对于在弱光场景或小光圈手机摄像头拍摄的图像和视频,这个问题会更加严重。大多数去噪方法的成功源于这样一个事实,即对同一信号的多个独立观察进行平均会导致方差低于原始观察。原创 2023-07-14 19:29:20 · 319 阅读 · 0 评论 -
First image then video A two-stage network for spatiotemporal video denoising
问题:现存的去噪算法容易,即当对象快速移动时,光流计算失误,造成运动对象的边界会变得模糊关于运动模糊的说明:the boundary of a moving object tends to appear blurry especially when the object undergoes a fast motion, causing optical flow calculation to break down.解决办法:提出了,该算法首先在spatially 空间上降低帧内噪声,然后应用。原创 2023-07-14 19:28:08 · 166 阅读 · 0 评论 -
DVDNET A FAST NETWORK FOR DEEP VIDEO DENOISING
现有的最先进视频去噪算法是基于补丁的方法,以往的基于NN的算在其性能上无法与其媲美。其相比于基于补丁的算法,计算时间明显缩短相比于其他神经网络算法,其占用内存小,能够使用单个模型处理各种噪声水平我们介绍了一个用于深度视频去噪的网络:DVDnet。该算法与其他最先进的方法相比具有优势,同时它具有快速运行时间。我们算法的输出呈现出显着的时间相干性、非常低的闪烁、强大的降噪和准确的细节保留。原创 2023-07-14 19:26:45 · 349 阅读 · 0 评论 -
FastDVDnet Towards Real-Time Deep Video Denoising Without Flow
优势1. handle a wide range of noise levels with a single network model优势2.优势3. The combination between its denoising performance and lower computational load图像去噪一直备受欢迎,最好性能的方法还是基于深度学习的方法。这些算法执行受一定条件约束:(1)需要具备特定形势的先验;(2)或者针对不同级别的噪声设定不同的权重。原创 2023-07-14 19:25:44 · 768 阅读 · 1 评论