开源图像降噪算法与项目介绍【持续更新】

Intel® Open Image Denoise

  1. 介绍:Intel® Open Image Denoise(OIDN)是一个开源库,它提供了一系列高性能、高质量的去噪滤镜,专门用于光线追踪渲染的图像。这个库是Intel® Rendering Toolkit的一部分,并且是在宽松的Apache 2.0许可下发布的。OIDN的核心是一系列基于深度学习的去噪滤镜,这些滤镜能够处理从1 spp(样本每像素)到几乎完全收敛的广泛样本范围,使其适用于预览和最终帧渲染。除了仅使用嘈杂的颜色(beauty)缓冲区进行去噪外,还可以选择性地使用辅助特征缓冲区(例如反照率、法线贴图)以尽可能保留细节。
  2. GitHub星:1.8k
  3. GitHub地址https://github.com/RenderKit/oidn

在这里插入图片描述

BSVD

  1. 介绍:BSVD(Bidirectional Streaming Video Denoising)是一种实时流视频去噪框架,由香港科技大学提出。它的核心是一个新颖的双向缓冲块(Bidirectional Buffer Block),能够利用过去和未来的帧来预测当前帧,实现高效的实时去噪。BSVD框架不仅能够处理视频流中的噪声,还能够保持较高的图像质量,同时实现快速的推理速度。BSVD的网络结构相对简单,由两个UNet网络级联而成,称为W-Net。在训练阶段,网络使用时间移位模块(Temporal Shift Module, TSM),而在推理时则使用双向缓冲块(Bidirectional Buffer Block, BBB)。这种设计使得BSVD在推理时能够以流水线的形式进行,从而实现实时处理。
  2. GitHub星:69
  3. GitHub地址https://github.com/ChenyangQiQi/BSVD
    在这里插入图片描述

Papers with Code - Image Denoising

  1. 介绍:“Papers with Code - Image Denoising” 是一个汇集了图像去噪领域的研究论文、代码实现、基准测试和数据集的资源平台。该平台提供了多种图像去噪技术的排行榜。
  2. 官网:https://paperswithcode.com/task/image-denoising
    在这里插入图片描述

Zero-Shot Noise2Noise

  1. 介绍:Zero-Shot Noise2Noise(ZS-N2N)是一种无需任何训练数据或噪声分布知识的高效图像去噪方法。这种方法受到Noise2Noise(N2N)和Neighbor2Neighbor(NB2NB)的启发,特别适合于逐像素独立噪声的去噪。ZS-N2N通过使用单个噪声图像生成一对噪声图像,并用这对图像训练一个简单的两层神经网络,从而实现去噪。这种方法在人工、真实世界相机和显微镜噪声的实验中表现出色,常常以更低的成本超越现有的无数据集方法,适合数据稀缺且计算资源有限的情况。
  2. 论文:Zero-Shot Noise2Noise: Efficient Image Denoising without any Data
  3. 网址https://colab.research.google.com/drive/1i82nyizTdszyHkaHBuKPbWnTzao8HF9b?usp=sharing#scrollTo=rOnvECU38H_R

DIP (Deep Image Prior)

  1. 介绍:Deep Image Prior(DIP)是一种利用深度学习进行图像恢复的技术,它通过使用随机初始化的深度卷积网络来处理图像去噪、超分辨率和修复等逆问题。DIP的核心思想是,即使在没有学习之前,生成器网络的结构也能够捕获大量的低级图像统计信息。这意味着,一个随机初始化的神经网络本身就可以作为一个手工先验,用于解决标准的逆问题,如去噪、超分辨率和图像修复等。
  2. 官网https://dmitryulyanov.github.io/deep_image_prior
  3. GitHub星:7.8k
  4. GitHub地址https://github.com/DmitryUlyanov/deep-image-prior
    在这里插入图片描述

reproducible-image-denoising-state-of-the-art

  1. 介绍:收集各类图像去噪的算法GitHub项目,里面收集了包括传统的、深度方向的图像降噪各类算法。
  2. GitHub星:2.4k
  3. GitHub地址https://github.com/wenbihan/reproducible-image-denoising-state-of-the-art
    在这里插入图片描述

DnCNN

  1. 介绍:DnCNN(Deep Convolutional Neural Network for Image Denoising)是一种深度学习方法,用于图像去噪。它通过学习噪声图像的残差来实现去噪,即使用带噪声图像减去估计的噪声来得到干净的图像。DnCNN 网络通常包含一个卷积层、多个卷积层与批归一化和ReLU激活函数的组合,以及最后一个卷积层来输出噪声图。DnCNN 已被证明在多种噪声水平下都具有良好的去噪效果。
  2. GitHub星:1.4k
  3. GitHub地址https://github.com/cszn/DnCNN
    在这里插入图片描述

MAXIM

  1. 介绍:MAXIM: Multi-Axis MLP for Image Processing 是一个在 CVPR 2022 上被提名为最佳论文的图像处理模型。这个模型由谷歌研究团队提出,它是基于多层感知器(MLP)构建的,用于处理包括图像去噪、去模糊、去雨、去雾和增强等多种图像处理任务。
  2. GitHub星:999
  3. GitHub地址https://github.com/google-research/maxim
    在这里插入图片描述
skimage(scikit-image)是一个基于Python的开源图像处理库,其中包含了许多常见的图像处理算法和函数。skimage中提供了几种图像降噪的方法,下面详细介绍其中的一种方法:基于总变差(Total Variation)的降噪方法。 总变差降噪法是一种常用的图像降噪方法,其原理是通过对图像像素值的差异进行约束,使图像的像素值变化越小越好。具体而言,该方法使用了L2范数和L1范数之间的平衡,其中L2范数用于平滑化图像,L1范数用于保留图像边缘信息。 下面是使用skimage中的total_variation_denoising函数进行图像降噪的示例代码: ```python import matplotlib.pyplot as plt from skimage import data, img_as_float from skimage.filters import total_variation_denoising # 加载示例图像 image = img_as_float(data.camera()) # 添加高斯噪声 from skimage.util import random_noise image = random_noise(image, mode='gaussian', var=0.01) # 进行降噪处理 denoised = total_variation_denoising(image, weight=0.1, max_iter=100) # 显示结果 fig, axes = plt.subplots(nrows=1, ncols=3, figsize=(8, 5)) ax = axes.ravel() ax[0].imshow(image, cmap=plt.cm.gray) ax[0].set_title('Original') ax[1].imshow(denoised, cmap=plt.cm.gray) ax[1].set_title('Total Variation Denoising') ax[2].imshow(image - denoised, cmap=plt.cm.gray) ax[2].set_title('Difference') for a in ax: a.axis('off') plt.tight_layout() plt.show() ``` 该示例代码中,首先使用img_as_float函数将示例图像转换为浮点数格式,然后添加高斯噪声。接着,使用total_variation_denoising函数进行降噪处理,其中weight参数用于调整L2范数和L1范数的平衡,max_iter参数用于控制迭代次数。最后,使用Matplotlib库将原始图像、降噪后的图像以及两者之间的差异显示出来。 需要注意的是,总变差降噪法虽然可以在一定程度上降低图像的噪声,但也会对图像的细节信息造成一定的影响,因此需要根据实际情况进行调整。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

码流怪侠

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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