https://mp.weixin.qq.com/s/ycQwxF2YfYHk7Gq9HZI8Og

CVPR 2021 論文大盤點-圖像去噪篇

?CV君OpenCV中文網(wǎng)昨天

關(guān)注公眾號，發(fā)現(xiàn)CV技術(shù)之美

OpenCV中文網(wǎng)
OpenCV技術(shù)布道，CV實用教程，業(yè)界前沿資訊
36篇原創(chuàng)內(nèi)容

公眾號

圖像去噪——一個"古老"而又一直存在不會過時的視覺課題。

本文總結(jié)CVPR 2021 圖像去噪相關(guān)論文。共計 14 篇。

大家可以在：

https://openaccess.thecvf.com/CVPR2021?day=all

按照題目下載這些論文。

如果想要下載所有CVPR 2021論文，請點擊這里：CVPR 2021 論文開放下載了！

Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images

單圖像自監(jiān)督去噪

作者 |黃濤，李松江，賈旭，盧湖川，劉健莊單位 |中國人民大學(xué)，華為諾亞，大連理工大學(xué)論文 |https://arxiv.org/abs/2101.02824代碼 |https://github.com/TaoHuang2018/Neighbor2Neighbor解讀 |CVPR 2021 | Neighbor2Neighbor：僅需噪聲圖像即可訓(xùn)練任意降噪網(wǎng)絡(luò)的方法

NBNet: Noise Basis Learning for Image Denoising with Subspace Projection

基于子空間投影與噪聲偏置學(xué)習(xí)的圖像去噪

作者 |Shen Cheng,Yuzhi Wang,Haibin Huang,Donghao Liu,Haoqiang Fan,Shuaicheng Liu單位 | 曠視；快手；電子科技大學(xué)論文 |https://arxiv.org/abs/2012.15028代碼 |https://github.com/megvii-research/NBNet簡介 |9

Invertible Denoising Network: A Light Solution for Real Noise Removal

由于 Invertible networks（可逆網(wǎng)絡(luò)）的輕量級、information-lossless 以及在反向傳播過程中節(jié)省內(nèi)存的屬性，對圖像去噪任務(wù)大有益處。然而，應(yīng)用可逆模型來消除噪聲是具有挑戰(zhàn)性的，因為輸入是有噪聲的，而反向輸出是干凈的，遵循兩個不同的分布。
針對上述挑戰(zhàn)，作者提出一個可逆去噪網(wǎng)絡(luò)：InvDN，它將噪聲輸入轉(zhuǎn)化為低分辨率的干凈圖像和含有噪聲的隱性表征。為了去除噪聲并恢復(fù)干凈的圖像，InvDN 在還原過程中用另一個從先驗分布中取樣的隱性表征取代了噪聲隱性表征。
InvDN的去噪性能優(yōu)于所有現(xiàn)有的競爭模型，在 SIDD 數(shù)據(jù)集上取得了新的 SOTA，同時所需運行時間更少。此外，InvDN 的規(guī)模要小得多，與最近提出的 DANet 相比，其參數(shù)數(shù)量只有 4.2%。此外，通過操縱噪聲隱性表征，InvDN 還能夠產(chǎn)生與原始噪聲更相似的噪聲。
作者 |Yang Liu,Zhenyue Qin,Saeed Anwar,Pan Ji,Dongwoo Kim,Sabrina Caldwell,Tom Gedeon單位 |澳大利亞國立大學(xué)；Data61-CSIRO；OPPO（美）；GSAI POSTECH論文 |https://arxiv.org/abs/2104.10546代碼 |https://github.com/Yang-Liu1082/InvDN

FBI-Denoiser: Fast Blind Image Denoiser for Poisson-Gaussian Noise

本次工作所提出的 FBI-Denoiser，通過設(shè)計 PGE-Net 和 FBI-Net 解決了 BP-AIDE 的計算復(fù)雜性問題，其中 PGE-Net比傳統(tǒng)的 Gaussian noise estimation（×2000）快得多，F(xiàn)BI-Net 是一個高效的 blind spot（盲點）網(wǎng)絡(luò)。并通過實驗證明 FBI-Denoiser 在各種合成/真實噪聲基準(zhǔn)數(shù)據(jù)集上，僅基于“single” 噪聲圖像就達(dá)到了最先進(jìn)的盲圖像去噪性能，而且推理時間更快。
作者 |Jaeseok Byun,Sungmin Cha,Taesup Moon單位 |成均館大學(xué)&首爾大學(xué)論文 |https://arxiv.org/abs/2105.10967代碼 |https://github.com/csm9493/FBI-Denoiser

Recorrupted-to-Recorrupted: Unsupervised Deep Learning for Image Denoising
無監(jiān)督學(xué)習(xí)+ 圖像去噪
本次工作提出一種數(shù)據(jù)增強技術(shù)，Recorrupted-to-recorrupted（R2R），用來解決缺乏真實圖像造成的過擬合問題。并通過實驗證明所提出的 R2R 方法明顯優(yōu)于現(xiàn)有的無監(jiān)督深度去噪器，并且與有監(jiān)督的深度去噪算法性能可比。
作者 |Tongyao Pang、Huan Zheng、Yuhui Quan、Hui Ji單位 |新加坡國立大學(xué)；華南理工大學(xué)論文 |https://openaccess.thecvf.com/content/CVPR2021/papers/Pang_Recorrupted-to-Recorrupted_Unsupervised_Deep_Learning_for_Image_Denoising_CVPR_2021_paper.pdf

CNN Denoisers As Non-Local Filters: The Neural Tangent Denoiser
CNN可用于圖像的恢復(fù)，近來被發(fā)現(xiàn)它天然的具有對圖像數(shù)據(jù)的恢復(fù)能力，比如從一幅污損的圖像中讓CNN網(wǎng)絡(luò)學(xué)習(xí)去重建它，CNN首先學(xué)習(xí)重建一幅沒有污損的圖像。這很有意思，貌似CNN天然知道自然圖像是什么樣的？
該文作者研究CNN去噪與非局部濾波這種傳統(tǒng)算法的關(guān)系，又有了一些新發(fā)現(xiàn)。
作者 | Julián Tachella, Junqi Tang, Mike Davies單位 | 愛丁堡大學(xué)論文 |https://arxiv.org/abs/2006.02379代碼 |https://gitlab.com/Tachella/neural_tangent_denoiser

Deep Denoising of Flash and No-Flash Pairs for Photography in Low-Light Environments

文中介紹一種有效利用有閃光燈和無閃光燈圖像對中可用的獨特視覺信息組合的方法，并在低光環(huán)境下產(chǎn)生高質(zhì)量的圖像。
作者 |Zhihao Xia,Micha?l Gharbi,Federico Perazzi,Kalyan Sunkavalli,Ayan Chakrabarti單位 |圣路易斯華盛頓大學(xué)；Adobe Research；Facebook論文 |https://arxiv.org/abs/2012.05116
代碼 |https://github.com/likesum/deepFnF主頁 |https://www.cse.wustl.edu/~zhihao.xia/deepfnf/

Adaptive Consistency Prior based Deep Network for Image Denoising
文章提出一種用于圖像去噪的新型深度網(wǎng)絡(luò)。與大多數(shù)現(xiàn)有的基于深度網(wǎng)絡(luò)的去噪方法不同，作者將新的 ACP（Adaptive Consistency Prior） 項納入優(yōu)化問題，然后利用優(yōu)化過程，通過使用展開策略為深度網(wǎng)絡(luò)設(shè)計提供信息。ACP 驅(qū)動的去噪網(wǎng)絡(luò)結(jié)合了經(jīng)典去噪方法的一些寶貴成果，并在一定程度上增強了其可解釋性。并實驗結(jié)果表明，所提出的網(wǎng)絡(luò)具有領(lǐng)先的去噪性能。
作者 |Chao Ren、Xiaohai He、 Chuncheng Wang 、Zhibo Zhao單位 |四川大學(xué)論文 |https://openaccess.thecvf.com/content/CVPR2021/papers/Ren_Adaptive_Consistency_Prior_Based_Deep_Network_for_Image_Denoising_CVPR_2021_paper.pdf代碼 |https://github.com/chaoren88/DeamNet備注 |CVPR 2021Oral

EventZoom: Learning to Denoise and Super Resolve Neuromorphic Events
去噪和超分的神經(jīng)形態(tài)事件研究
作者 |Peiqi Duan、Zihao W. Wang、Xinyu Zhou、Yi Ma、Boxin Shi單位 | 北大；西北大學(xué)（美）論文 |https://openaccess.thecvf.com/content/CVPR2021/papers/Duan_EventZoom_Learning_To_Denoise_and_Super_Resolve_Neuromorphic_Events_CVPR_2021_paper.pdf主頁 |https://sites.google.com/view/EventZoom

Extreme Low-Light Environment-Driven Image Denoising over Permanently Shadowed Lunar Regions with a Physical Noise Model
利用物理噪聲模型對永久陰影下的月球區(qū)域進(jìn)行極端低光環(huán)境驅(qū)動的圖像去噪
作者 |Ben Moseley、Valentin Bickel、Ignacio G. Lopez-Francos、Loveneesh Rana單位 |牛津大學(xué)；蘇黎世聯(lián)邦理工學(xué)院等論文 |https://openaccess.thecvf.com/content/CVPR2021/papers/Moseley_Extreme_Low-Light_Environment-Driven_Image_Denoising_Over_Permanently_Shadowed_Lunar_Regions_CVPR_2021_paper.pdf

Guided Integrated Gradients: an Adaptive Path Method for Removing Noise
一種去除噪聲的自適應(yīng)路徑方法：Guided Integrated Gradients。
作者 |Andrei Kapishnikov, Subhashini Venugopalan, Besim Avci, Ben Wedin, Michael Terry, Tolga Bolukbasi單位 | 谷歌論文 |https://openaccess.thecvf.com/content/CVPR2021/papers/Kapishnikov_Guided_Integrated_Gradients_An_Adaptive_Path_Method_for_Removing_Noise_CVPR_2021_paper.pdf

Deep Convolutional Dictionary Learning for Image Denoising
文章介紹一種新的圖像去噪方法：deep convolutional dictionary learning（深度卷積字典學(xué)習(xí)，DCDicL），并證明在定量指標(biāo)和視覺質(zhì)量方面都超過了以前的深度展開和基于深度學(xué)習(xí)的方法。DCDicL為深度圖像建模提供了新的見解，并且可以擴展到更多的圖像修復(fù)任務(wù)。
作者 |Hongyi Zheng、Hongwei Yong、Lei Zhang單位 |香港理工大學(xué)；阿里達(dá)摩院論文 |https://openaccess.thecvf.com/content/CVPR2021/papers/Zheng_Deep_Convolutional_Dictionary_Learning_for_Image_Denoising_CVPR_2021_paper.pdf代碼 |https://github.com/natezhenghy/DCDicL_denoising

Learning An Explicit Weighting Scheme for Adapting Complex HSI Noise
handling hyperspectral image (HSI) 的去噪研究，基于學(xué)習(xí)顯式加權(quán)模式的方法
作者 |Xiangyu Rui、Xiangyong Cao、Qi Xie、Zongsheng Yue、Qian Zhao、Deyu Meng單位 |西安交通大學(xué)；琶洲實驗室論文 |https://openaccess.thecvf.com/content/CVPR2021/papers/Rui_Learning_an_Explicit_Weighting_Scheme_for_Adapting_Complex_HSI_Noise_CVPR_2021_paper.pdf

Pseudo 3D Auto-Correlation Network for Real Image Denoising
文章所提出用于真實圖像去噪的輕量級 pseudo 3D auto-correlation network（P3AN）方法，所需參數(shù)更少，計算成本更低，同時可以取得非常有競爭力的性能。
作者 |Xiaowan Hu、Ruijun Ma、Zhihong Liu、Yuanhao Cai、Xiaole Zhao、Yulun Zhang、Haoqian Wang單位 | 清華；澳門大學(xué)；西南交通大學(xué)；東北大學(xué)（美）論文 |https://openaccess.thecvf.com/content/CVPR2021/papers/Hu_Pseudo_3D_Auto-Correlation_Network_for_Real_Image_Denoising_CVPR_2021_paper.pdf

總結(jié)

以上是生活随笔為你收集整理的CVPR 2021 论文大盘点-图像去噪篇的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。