• 问答
  • 技术
  • 实践
  • 资源
CVPR 2021 论文大盘点-图像去噪篇

​CV君 OpenCV中文网

OpenCV中文网

图像去噪——一个"古老"而又一直存在不会过时的视觉课题。

本文总结CVPR 2021 图像去噪相关论文。共计 14 篇。

大家可以在:

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

按照题目下载这些论文。

如果想要下载所有CVPR 2021论文,请点击这里:

CVPR 2021 论文开放下载了!

Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images

单图像自监督去噪

作者 | 黄涛,李松江,贾旭,卢湖川,刘健庄

单位 | 中国人民大学,华为诺亚,大连理工大学

论文 | https://arxiv.org/abs/2101.02824

代码 | https://github.com/TaoHuang2018/Neighbor2Neighbor

解读 | CVPR 2021 | Neighbor2Neighbor:仅需噪声图像即可训练任意降噪网络的方法

image.png

NBNet: Noise Basis Learning for Image Denoising with Subspace Projection

基于子空间投影与噪声偏置学习的图像去噪

作者 | Shen Cheng, Yuzhi Wang, Haibin Huang, Donghao Liu, Haoqiang Fan, Shuaicheng Liu

单位 | 旷视;快手;电子科技大学

论文 | https://arxiv.org/abs/2012.15028

代码 | https://github.com/megvii-research/NBNet

简介 | 9

image.png

===

Invertible Denoising Network: A Light Solution for Real Noise Removal

由于 Invertible networks(可逆网络)的轻量级、information-lossless 以及在反向传播过程中节省内存的属性,对图像去噪任务大有益处。然而,应用可逆模型来消除噪声是具有挑战性的,因为输入是有噪声的,而反向输出是干净的,遵循两个不同的分布。

针对上述挑战,作者提出一个可逆去噪网络:InvDN,它将噪声输入转化为低分辨率的干净图像和含有噪声的隐性表征。为了去除噪声并恢复干净的图像,InvDN 在还原过程中用另一个从先验分布中取样的隐性表征取代了噪声隐性表征。

InvDN的去噪性能优于所有现有的竞争模型,在 SIDD 数据集上取得了新的 SOTA,同时所需运行时间更少。此外,InvDN 的规模要小得多,与最近提出的 DANet 相比,其参数数量只有 4.2%。此外,通过操纵噪声隐性表征,InvDN 还能够产生与原始噪声更相似的噪声。

作者 | Yang Liu, Zhenyue Qin, Saeed Anwar, Pan Ji, Dongwoo Kim, Sabrina Caldwell, Tom Gedeon

单位 | 澳大利亚国立大学;Data61-CSIRO;OPPO(美);GSAI POSTECH

论文 | https://arxiv.org/abs/2104.10546

代码 | https://github.com/Yang-Liu1082/InvDN

image.png

===

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

本次工作所提出的 FBI-Denoiser,通过设计 PGE-Net 和 FBI-Net 解决了 BP-AIDE 的计算复杂性问题,其中 PGE-Net比传统的 Gaussian noise estimation(×2000)快得多,FBI-Net 是一个高效的 blind spot(盲点)网络。并通过实验证明 FBI-Denoiser 在各种合成/真实噪声基准数据集上,仅基于“single” 噪声图像就达到了最先进的盲图像去噪性能,而且推理时间更快。

作者 | Jaeseok Byun, Sungmin Cha, Taesup Moon

单位 | 成均馆大学&首尔大学

论文 | https://arxiv.org/abs/2105.10967

代码 | https://github.com/csm9493/FBI-Denoiser

image.png

Recorrupted-to-Recorrupted: Unsupervised Deep Learning for Image Denoising

无监督学习+ 图像去噪

本次工作提出一种数据增强技术,Recorrupted-to-recorrupted(R2R),用来解决缺乏真实图像造成的过拟合问题。并通过实验证明所提出的 R2R 方法明显优于现有的无监督深度去噪器,并且与有监督的深度去噪算法性能可比。

作者 | Tongyao Pang、Huan Zheng、Yuhui Quan、Hui Ji

单位 | 新加坡国立大学;华南理工大学

论文 | 

https://openaccess.thecvf.com/content/CVPR2021/papers/Pang\_Recorrupted-to-Recorrupted\_Unsupervised\_Deep\_Learning\_for\_Image\_Denoising\_CVPR\_2021\_paper.pdf

image.png

CNN Denoisers As Non-Local Filters: The Neural Tangent Denoiser

CNN可用于图像的恢复,近来被发现它天然的具有对图像数据的恢复能力,比如从一幅污损的图像中让CNN网络学习去重建它,CNN首先学习重建一幅没有污损的图像。这很有意思,貌似CNN天然知道自然图像是什么样的?

该文作者研究CNN去噪与非局部滤波这种传统算法的关系,又有了一些新发现。

作者 | Julián Tachella, Junqi Tang, Mike Davies

单位 | 爱丁堡大学

论文 | https://arxiv.org/abs/2006.02379

代码 | https://gitlab.com/Tachella/neural\_tangent\_denoiser

image.png

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

文中介绍一种有效利用有闪光灯和无闪光灯图像对中可用的独特视觉信息组合的方法,并在低光环境下产生高质量的图像。

作者 | Zhihao Xia, Michaël Gharbi, Federico Perazzi, Kalyan Sunkavalli, Ayan Chakrabarti

单位 | 圣路易斯华盛顿大学;Adobe Research;Facebook

论文 | https://arxiv.org/abs/2012.05116

代码 | https://github.com/likesum/deepFnF

主页 | https://www.cse.wustl.edu/~zhihao.xia/deepfnf/

image.png

Adaptive Consistency Prior based Deep Network for Image Denoising

文章提出一种用于图像去噪的新型深度网络。与大多数现有的基于深度网络的去噪方法不同,作者将新的 ACP(Adaptive Consistency Prior) 项纳入优化问题,然后利用优化过程,通过使用展开策略为深度网络设计提供信息。ACP 驱动的去噪网络结合了经典去噪方法的一些宝贵成果,并在一定程度上增强了其可解释性。并实验结果表明,所提出的网络具有领先的去噪性能。

作者 | Chao Ren、Xiaohai He、 Chuncheng Wang 、Zhibo Zhao

单位 | 四川大学

论文 | 

https://openaccess.thecvf.com/content/CVPR2021/papers/Ren\_Adaptive\_Consistency\_Prior\_Based\_Deep\_Network\_for\_Image\_Denoising\_CVPR\_2021\_paper.pdf

代码 | https://github.com/chaoren88/DeamNet

备注 | CVPR 2021 Oral

image.png

EventZoom: Learning to Denoise and Super Resolve Neuromorphic Events

去噪和超分的神经形态事件研究

作者 | Peiqi Duan、Zihao W. Wang、Xinyu Zhou、Yi Ma、Boxin Shi

单位 | 北大;西北大学(美)

论文 | 

https://openaccess.thecvf.com/content/CVPR2021/papers/Duan\_EventZoom\_Learning\_To\_Denoise\_and\_Super\_Resolve\_Neuromorphic\_Events\_CVPR\_2021\_paper.pdf

主页 | https://sites.google.com/view/EventZoom

image.png

Extreme Low-Light Environment-Driven Image Denoising over Permanently Shadowed Lunar Regions with a Physical Noise Model

利用物理噪声模型对永久阴影下的月球区域进行极端低光环境驱动的图像去噪

作者 | Ben Moseley、Valentin Bickel、Ignacio G. Lopez-Francos、Loveneesh Rana

单位 | 牛津大学;苏黎世联邦理工学院等

论文 | 

https://openaccess.thecvf.com/content/CVPR2021/papers/Moseley\_Extreme\_Low-Light\_Environment-Driven\_Image\_Denoising\_Over\_Permanently\_Shadowed\_Lunar\_Regions\_CVPR\_2021\_paper.pdf

image.png

Guided Integrated Gradients: an Adaptive Path Method for Removing Noise

一种去除噪声的自适应路径方法:Guided Integrated Gradients。

作者 | Andrei Kapishnikov, Subhashini Venugopalan, Besim Avci, Ben Wedin, Michael Terry, Tolga Bolukbasi

单位 | 谷歌

论文 | 

https://openaccess.thecvf.com/content/CVPR2021/papers/Kapishnikov\_Guided\_Integrated\_Gradients\_An\_Adaptive\_Path\_Method\_for\_Removing\_Noise\_CVPR\_2021\_paper.pdf

image.png

Deep Convolutional Dictionary Learning for Image Denoising

文章介绍一种新的图像去噪方法:deep convolutional dictionary learning(深度卷积字典学习,DCDicL),并证明在定量指标和视觉质量方面都超过了以前的深度展开和基于深度学习的方法。DCDicL为深度图像建模提供了新的见解,并且可以扩展到更多的图像修复任务。

作者 | Hongyi Zheng、Hongwei Yong、Lei Zhang

单位 | 香港理工大学;阿里达摩院

论文 | 

https://openaccess.thecvf.com/content/CVPR2021/papers/Zheng\_Deep\_Convolutional\_Dictionary\_Learning\_for\_Image\_Denoising\_CVPR\_2021\_paper.pdf

代码 | https://github.com/natezhenghy/DCDicL\_denoising

image.png

Learning An Explicit Weighting Scheme for Adapting Complex HSI Noise

handling hyperspectral image (HSI) 的去噪研究,基于学习显式加权模式的方法

作者 | Xiangyu Rui、Xiangyong Cao、Qi Xie、Zongsheng Yue、Qian Zhao、Deyu Meng

单位 | 西安交通大学;琶洲实验室

论文 | 

https://openaccess.thecvf.com/content/CVPR2021/papers/Rui\_Learning\_an\_Explicit\_Weighting\_Scheme\_for\_Adapting\_Complex\_HSI\_Noise\_CVPR\_2021\_paper.pdf

image.png

Pseudo 3D Auto-Correlation Network for Real Image Denoising

文章所提出用于真实图像去噪的轻量级 pseudo 3D auto-correlation network(P3AN)方法,所需参数更少,计算成本更低,同时可以取得非常有竞争力的性能。

作者 | Xiaowan Hu、Ruijun Ma、Zhihong Liu、Yuanhao Cai、Xiaole Zhao、Yulun Zhang、Haoqian Wang

单位 | 清华;澳门大学;西南交通大学;东北大学(美)

论文 | 

https://openaccess.thecvf.com/content/CVPR2021/papers/Hu\_Pseudo\_3D\_Auto-Correlation\_Network\_for\_Real\_Image\_Denoising\_CVPR\_2021\_paper.pdf

image.png

- END -

编辑:CV君

  • 1
  • 0
  • 1187
收藏
暂无评论
Admin
大咖

极市平台

  • 21,521

    关注
  • 1,160

    获赞
  • 132

    精选文章
近期动态
  • 极市社区管理员,分享计算机视觉各个方向视觉干货,欢迎关注
文章专栏
  • 极市平台