Pixelwise相互依赖图像噪声估计使用深剩余的学习

文摘

在传统图像去噪,噪音水平是一个重要的标量参数决定多少输入噪声图像应平滑。现有噪声估计方法通常假定噪声水平在每个像素是恒定的。然而,现实世界的噪音信号的依赖,或噪音水平不是常数在整个图像。在本文中,我们试图估计精确pixelwise噪音水平而不是一个简单的全球标量。我们所知,这是第一个问题的解决方案。特别是,我们建议深卷积神经网络名为“深层残留噪声估计量”(DRNE) pixelwise噪声估计。DRNE我们精心设计的体系结构,包括一堆定制的残块没有任何池或插值操作。拟议中的DRNE pixel-to-pixel预测制定噪声估计的过程。实验结果表明,DRNE可以取得更好的性能比最先进的非齐次噪声估计方法。此外,DRNE能去噪性能消除相互依赖高斯噪声在处理最近的深度学习去噪方法。

1。介绍

噪音水平是一个重要的参数,决定多少输入噪声图像应平滑。这个参数是直接所需的许多著名的包括维纳滤波去噪算法(1),外地意味着(NLM) [2],BM3D [3),稀疏表示去噪(4[],深度学习去噪方法5,6]。

图像去噪是经常制定消除高斯白噪声,添加剂和均匀。均匀意味着所有像素的噪声方差是常数在不改变输入噪声图像和一个像素的位置和颜色强度(7]。这配方显著简化了图像去噪的过程中,噪声是唯一的参数需要模型噪声。

然而,均匀噪声假设是无效的在现实世界的图像(8]。图1说明了一个线性RGB图像没有去噪和图像灰度校正。明亮的部分是我们可以看到,噪音比在黑暗中噪声的线性RGB图像(“光明”和“黑暗”这是常见的概念没有严格的数学定义;我们只是用这两个词来形容这种现象)。以前的作品(9,10)指出,噪声在原始图像或线性RGB图像由两部分组成:(1)阅读噪声,高斯和独立的信号,和(2)散粒噪声,泊松与方差等于信号电平。因此,真正的图像噪声可由相互依赖高斯分布建模: 在哪里是一个真正的噪声测量和是真正的强度。噪声参数和是固定的,但可以不同图像传感器增益变化(10]。

另一个观察是在黑暗中噪声部分似乎比在明亮的部分标准RGB (sRGB)图像。原因是sRGB伽马校正和图像,包括噪声强度在黑暗中部分是放大倍比,在明亮的部分。

在图像信号处理(ISP),如图2之前,去噪是进行线性RGB图像图像灰度校正。因此,相互依赖模型方程(1)是一个更精确的模型比常用在工业signal-independent高斯模型,和性能增益模型下的重要性。

由于图像噪声方差不是恒定在一个图像,噪声估计需要的粒度较小的为了提高去噪性能。Pixelwise噪声估计是终极形式。

传统的去噪方法可能需要一些修改pixelwise噪声估计的优点。然而,深度学习方法使用自然pixelwise噪声估计的结果。最近深上优于图像去噪方法(5,6)构建一个噪声地图引入噪声去噪网络信息。目前,噪声地图充满了同样的标量。然而,噪声地图也可以由pixelwise噪声估计。我们的实验表明,使用pixelwise噪声估计会导致更好的性能在非齐次噪声去除。

在本文中,我们提出一个对pixelwise深深的残余卷积神经网络噪声估计。的主要架构只是由一堆定制的残块,哪个更适合噪声估计。没有池操作或更大步伐提出采用卷积的架构,它总是打算提取高级功能,如语义信息。然而,这样一个精致的特性为噪声估计是不必要的,它总是关注低级特征,如边界和局部方差。给定一个嘈杂的图像,该方法能够产生一个pixelwise噪声估计地图以及全球标量噪音水平。本研究的贡献如下:(1)尽管许多作品指出,噪声标准差并不是统一整个图像(8,9),本文是第一个工作给pixelwise高斯噪声估计的地图。更精确的方法相互依赖噪声模型(1)。此外,pixelwise估计地图也可以与最近的合作深度上优于去噪方法(5),这需要一个噪声估计地图作为输入。(2)深卷积神经网络采用提供pixel-to-pixel预测,由几个精心设计的残块。(3)传统标量的平均估计误差,该方法能够与最先进的方法(7在传统均匀标量噪声估计和非齐次噪声估计。

2。相关的工作

2.1。噪声估计

噪声估计的挑战在于区分高频噪声和高频图像细节。克服困难,传统的方法往往把图像分成固定大小的补丁和寻找公寓部分估计噪声水平(11- - - - - -14]。他们认为有足够数量的平坦地区在处理过的图像15- - - - - -18]。

李和Hoppel [19)治疗局部方差最小补丁选择平坦的补丁。Shin et al。12)选择补丁的标准差强度接近最低一个在所有补丁。然后,处理过的图像卷积过滤器(例如,拉普拉斯算子)消除了图像内容的影响(20.]。二阶拉普拉斯算子的性质往往会使它对噪声敏感而抑制平稳变化和统一的区域和边缘增强。过滤后,图像仍然由噪声和对象边缘。因此,一些对象边缘探测器提出了识别和消除边缘。最后,健壮的统计方法,如当地的中值估计(20.),当地的模式估计(21),平均最小的几个地方估计(22,23)应用于估计最终的噪声方差。

近年来,PCA-based方法(7,24,25已经引起了极大的关注,因为他们可以成功地处理场景包含丰富的纹理。这些方法是基于这样的观察:补丁从无噪声图像经常躺在一个低维子空间,而不是均匀分布在整个环境空间。在[24),作者表明,噪声方差可以估计图像块协方差矩阵的最小特征值。在[25),作者证明了天真PCA-based不能导致满意的噪声估计的方法,尤其是在复杂的场景。为此,他们的方法增加了一个选择的过程煤补丁基于梯度的补丁和其他统计数据。在[7),作者估计噪声水平之间的统计关系和协方差矩阵的特征值的补丁。同时,他们观察到的特征值几乎遵循一个高斯分布冗余的维度。因此,报告的工作(7)达到最先进的性能。

以上所有方法计算一个标量估计,与传统的去噪方法包括BM3D [3]和NLM [2]。然而,这些方法都简化与齐次高斯噪声方差,这并不是按照实际噪声模型(方程(1))。

近期作品在彩色图像噪声估计考虑噪声方差的差异在不同的颜色通道(26),这三个估计的噪声方差或一个图像的协方差矩阵。这个估计与某些合作去噪方法(27)可以改善消除多元高斯噪声的去噪性能。

2.2。深度学习去噪方法

最近深上优于图像去噪方法(5,6)噪声地图,嘈杂的RGB通道作为输入。输入经过精心设计卷积层没有池或插值直接输出清洁估计。图3简要说明了模型。深度学习方法的性能已经超过了传统的去噪方法包括BM3D [3]和NLM [2]。

目前,深的噪声地图充满常量值去噪方法。然而,方程(1)表明真正的噪声信号的依赖和不均匀。喂pixelwise噪声地图pixelwise估计可能会提高去噪性能。

3所示。深残余噪声估计

3.1。问题公式化

让吵闹的RGB图像用和相应的清洁用RGB图像 。图像退化模型写成 在哪里是噪音张量,这是高斯和白色。我们不妨假设 和表示作为 。如果我们假设噪声不是信号的依赖,或均匀,所有应该是相同的值。否则,可能是不同的值相关的图像强度在不同像素的位置。

本文的目标是学习一个密集的相应的映射函数 从数据集 这样 在哪里θ模型参数设置和吗N是训练样本的数量。如果我们有干净的彩色图像 ,数据集 可以很容易地由随机设置和应用方程(2)。映射函数 将实现一个简单而精心设计的深层残留网络中,哪一节中我们将介绍3所示。2。

本文的目标是产生一个pixelwise噪声估计地图,我们可以看到图像的噪声级。我们也可以从地图上计算全球噪声电平标量和比较该方法与传统的评估方法。

3.2。网络体系结构

二维卷积样品常规电网R在输入特性映射和总结采样值和可训练的重量(28]。网格R定义了接受域的大小和扩张,它保证了密集的输入特性之间的对应地图和地图的输出特性。卷积的对应属性使它擅长拟合密度对应的图像地图。

完全卷积网络(FCNs)固有的对应属性从二维卷积,擅长建模问题的密度对应的图像。例如,FCNs适合图像分割29日和图像去噪30.]。噪声估计也是一个密集的通信问题,输出groundtruth噪声地图人口与输入噪声图像。因此,FCNs预计将有良好表现的问题。

剩余网络(31日)是建立在训练中有困难这一事实深卷积神经网络由于梯度消失。因此,如果一个CNN太深,性能可能会更糟。剩余网络引入快捷连接只需添加卷积的输入输出,这降低了梯度消失问题,增加FCNs的性能。

有几层操作,不适合图像去噪。最近深刻的去噪方法(5,6,30.)使用的几乎纯净的卷积网络体系结构层。他们不使用任何池或插值层由于这些层对图像细节和破坏性将减少图像重建的性能。因此,我们也放弃池或插值层网络设计。

深残余噪声估计(DRNE)提出了卷积神经网络。图4说明了提出DRNE网络体系结构。图4(一)说明了整个体系结构。输入是一个嘈杂的RGB图像和三个频道,它穿过一堆残块,后跟一个卷积和Relu32激活。输出是一个噪音水平通道。图4 (b)说明残块的结构。首先,c声道输出输入张量是一个卷积 - - - - - -通道张量。然后, - - - - - -通道张量经过残余结构卷积和Relu和产生 - - - - - -通道输出张量。在拟议的架构中,曲线玲珑的总层,或网络深度, 。

至于实现,所有卷积核的大小 。我们设置了网络通过设置宽度和深度 , ,和 ,因此,曲线玲珑的总层16。

3.3。培训

3.3.1。训练图像

培训需要清洁和丰富的纹理图像。我们选择第一个4000的图像从滑铁卢勘探数据集33)建立训练图像对使用(2)。图片裁剪成不重叠的补丁步伐为256。

从理论上讲,每个训练图像需要随机裁剪和损坏与相互依赖的噪音水平。然而,我们发现损坏每个训练图像只有一个噪音水平生成训练对足以产生令人满意的结果。也就是说, ,在哪里是一个标量均匀分布在吗 。

因此,我们的方法是训练有素的齐次嘈杂的补丁。然而,它能够产生相互依赖pixelwise噪声估计的结果部分4.3和图5。

3.3.2。损失函数

理论上,方程(3)是一个合理的损失函数的任务。然而在实践中,我们发现培训损失滴用方程(相对较大的波动3)。图6(一)情节的培训和验证损失直接使用方程(3)。在早期的训练时期,严重underfitting模型。后来,也遭受的损失相对较大的波动。

这一现象表明,损失函数可能需要合法化。在训练阶段,我们给模型与图像被均匀噪声。因此,我们使用元素的平均值预测噪声矩阵的调整损失: 在哪里是计算元素的张量或矩阵的平均值和λ是一个标量参数来调整这两项的权重。

应用正则化项后,培训和评估损失变得更稳定,易于收敛。图6 (b)显示了结果。

3.3.3。实现

我们实现模型与TensorFlow (34),也就是64的宽度和深度是16,介绍部分3所示。2。我们使用方程(4)作为损失函数和设置 。亚当(35优化器是采用培训。需要大约140个小时火车模型与Nvidia GPU GTX 1080 Ti从头开始。

消融研究可以做更多的参数。性能可以获得密集的轨迹。因为本文实验已经很大程度上,和当前参数设置具有良好性能的实验,我们离开这对未来的工作。

4所示。实验

在本节中,我们给出该方法的定量和定性评估。在定量评估,我们不得不使用传统的标量平均误差和标准差作为评估标准,因为其他只能生产纯量估算的方法。在定性评价,我们估计地图可视化模拟数据和真实的嘈杂的图像显示了该方法的有效性。此外,我们运用比较方法两个深刻的去噪方法揭示了DRNE带来的去噪性能。

4.1。测试数据集和比较的方法

我们比较该方法与先进的方法三个数据集:柯达,麦克马斯特(36],BSD500 [37]。高斯白噪声添加到干净的图像数据集的构建与groundtruths嘈杂的图像。

四种方法,包括Pyatykh的方法(24),刘的方法(25),陈的方法(7),该DRNE比较使用他们的源代码在相同的数据集。方法比较,所有方法的参数比较期间保持不变。

4.2。比较模拟均匀噪声

我们首先评估方法在传统均匀噪声。固定的齐次高斯白噪声水平添加到清洁的RGB图像三个数据集。对于一个公平的比较,我们实现一个框架来做噪音加法和绩效评估。每个相比方法接收相同的输入噪声图像和上传评估结果通过包装器框架。注意,Pyatykh的方法(24]只能处理灰色图像。因此,嘈杂的RGB图像首先在包装器转换为灰色图像,然后由Pyatykh处理的方法。

表1显示的平均估计误差三个数据集上的方法相比,用6种不同的噪音水平。拟议中的DRNE赢得6第一个地方和11第二个地方。与此同时,陈的方法(7)赢得了12个地方和地方持续3秒。

表2显示错误的标准偏差,这意味着比较稳定的方法。拟议中的DRNE赢得11第一位置和6第二的地方。与此同时,陈的方法(7]赢得7第一个地方和8第二个地方。

一般来说,陈的性能的方法和提出DRNE均匀噪声估计是相当接近。差异是陈的方法是更好的平均误差,提出DRNE时更好的标准差。

例如,陈的方法的平均误差在麦克马斯特集噪声级别0是1.60,这是相当大的。更具体地说,麦克马斯特的第一图像数据集,如图6(一),陈的方法的评估结果为4.07,这表明该方法无法区分高频图像细节和高频噪声的区别。相比之下,DRNE的结果是1.42,这是更接近真正的噪声级别0。

4.3。比较模拟非齐次噪音

然后,我们评估所有非齐次噪声的方法。干净的图像数据集首先被分为四个矩形部分。然后,噪音的四个部分添加不同水平: , , ,和 。图5 (b)说明了噪声增加的结果,和图5 (d)说明了groundtruth噪音。

注意噪音模式设计,便于比较,因为它很容易想象全球标量估计和计算。真正的嘈杂的图像将被评估。

传统方法的噪声估计的结果应该是加权平均噪音水平的补丁,这是σ在我们的设置。

表3和4显示错误的平均误差和标准差,分别。类似于均匀噪声性能,陈的方法是更好的平均误差,而提出DRNE善于标准差。

提出DRNE不仅能给一个标量预测也能够产生一个pixelwise噪声地图。数据5 (c)和5 (g)说明了估计pixelwise噪声地图,四个矩形部分不同的噪音水平是显而易见的。此外,评估结果依赖于信号的。平的部分图片往往是少吵,这是按照我们的先验知识,因为它是很难区分高频图像细节和高频噪音。

4.4。定性结果真实图像

显示了该方法的有效性在真实的图片,我们也评估我们的方法真正的线性RGB图像。这些图像捕获使用手机和保存在原始(DNG)格式。然后,他们经过图像处理管道的早期阶段没有去噪,亮度调整,或伽马校正。数据7(一)和7 (b)显示处理线性RGB图像和数据7 (c)和7 (d)显示了该方法估计的结果。

一般来说,黑暗中患有弱噪声图像,这是按照噪声模型(1)。例如,黑色衬衫在图像遭受低噪音水平和白墙遭受强噪声。没有先进的方法的比较结果的任务因为其他方法只能产生一个标量输出。

4.5。应用深度学习去噪

我们所贡献,pixelwise噪声估计预计将提高性能深度学习去噪方法(5]。现在,我们设计一个实验来验证结论。

首先,我们准备两个现有的深去噪模型(6,38]以噪声图像和噪声地图作为输入。然后,齐次和非齐次嘈杂的图像生成使用不同的策略。最后,我们使用的方法,该方法为噪声地图深去噪模型。去噪性能记录。

之前的评估表明,陈的性能的方法7),该方法是关闭,而其他比较方法大大超越。因此,我们关注与陈的方法。

表5演示了在均匀噪声去噪性能。结合三个数据集上的性能报告和三个噪音水平。我们可以看到,在处理均匀噪声时,陈的方法和提出的性能DRNE相当,而在大多数测试用例提出DRNE效果略好。我们可以从表的结论5DRNE是另一种陈的均匀的滤噪方法。

表6证明了非齐次噪声的去噪性能。两种噪声模型测试:(1)噪声方差σ均匀分布在一个固定范围。两种方法的性能也接近。在大多数测试用例DRNE作品略好。(2)噪声方差遵循噪声模型方程(1),和 。我们剪辑噪声方差,以确保它不超过DRNE的预测范围。

当真正的噪声模型被采用,柯达DRNE有显著的性能改进,BSD500数据集。麦克马斯特的数据集,这两种方法的性能接近。我们可以从表的结论6DRNE显示通常更好的性能在非齐次滤噪处理真正的噪音。

图8显示视觉噪声模型的结果(1柯达数据集从桌子上)6。我们可以看到明显的工件的背景图8(一),而图8(b)没有工件,这表明陈的方法不适应更实际的噪声模型,显示了该DRNE的有效性。

在本节中,我们表明,当工作与CNN的去噪模型,提出DRNE通常是更好的消除非齐次噪音与定量和定性的结果。

4.6。运行时间比较

为了处理大型图像,DRNE作物图像补丁的固定大小的顺序和处理它们。对于一个公平的比较,我们使用的麦克马斯特数据集评估和设置农作物大小一样的输入图像的大小 。

表1显示了运行时间比较的数据集的方法相比,这是一个衡量在桌面与英特尔i7 - 5930 k的CPU和Nvidia GTX 1080 Ti GPU。DRNE使用Python实现,和其他方法是用MATLAB实现。陈的方法是最快的CPU。DRNE最慢在CPU部分因为没有大量优化矩阵计算在Python中如MATLAB。然而,DRNE第二快的GPU的帮助。

5。结论

在本文中,我们提出一个深残余卷积神经网络名为“DRNE”高斯噪声地图图像估计。一堆的主要架构包括精心设计的定制的残块。给定一个嘈杂的图像,提出DRNE能够产生一个pixelwise噪声估计地图以及整体标量噪音水平。

实验表明,该DRNE能够与最先进的方法,如陈的传统标量噪声估计方法。此外,DRNE能够产生相互依赖噪声地图,这是按照线性RGB图像噪声模型(1)。

Pixelwise噪声估计有助于精确的噪声去除。最近深上优于噪声去除方法(5,6)需要pixelwise噪声估计映射的输入噪声去除。通过应用DRNE和陈的深度学习方法去噪模型,我们表明,消除相互依赖的DRNE可以带来显著的性能提升高斯噪声(更接近真正的噪音比传统的高斯噪声和固定方差)。

深度学习可能是最终的方法分离高频图像细节从噪声自动从图像数据挖掘模式。对未来的工作,我们相信联合训练的噪声估计模型和深刻的去噪模型可以超越所有传统图像去噪方法。

数据可用性

三个数据集柯达,麦克马斯特,BSD500公开http://www.cs.albany.edu/∼xypan /研究/ / Kodak.html信噪比,http://www4.comp.polyu.edu.hk/∼cslzhang / CDM_Dataset.htm,https://www2.eecs.berkeley.edu/Research/Projects/CS/vision/bsds/,分别。我们还提供代码和pretrained模型来重现在我们的论文实验结果https://github.com/TomHeaven/Pixel-wise-Estimation-of-Signal-Dependent-Image-Noise-using-Deep-ResidualLearning。

的利益冲突

作者宣称没有利益冲突。

确认

这部分工作是由国家自然科学基金委(中国国家自然科学基金)资助61703415。

引用

1. n .维纳外推法、插值和平滑的平稳时间序列卷。7日,麻省理工学院出版社剑桥,剑桥,妈,美国,1949年。
2. A . Buades b·科尔和j·m·莫雷尔,“非本地图像去噪算法,”《IEEE计算机学会学报计算机视觉与模式识别会议(2005年CVPR),卷2,页60 - 65,IEEE,圣地亚哥,美国,2005年6月。视图:谷歌学术搜索
3. k . Dabov a信息自由、诉Katkovnik和k . Egiazarian”与块匹配和三维滤波图像去噪,”学报学报,第6064卷,第606414页,CA,圣何塞美国,2006年。视图:谷歌学术搜索
4. m·兰德和m . Aharon”,图像去噪,通过在学习字典稀疏和冗余表示,“IEEE图像处理,15卷,不。12日,第3745 - 3736页,2006年。视图:出版商的网站|谷歌学术搜索
5. m . Gharbi g . Chaurasia美国巴黎,f .勾勒出“深联合demosaicking和去噪,”ACM交易图形(衣服),35卷,不。6,191年,页2016。视图:出版商的网站|谷歌学术搜索
6. k . Zhang, w .左和l .张“FFDNet:快速和灵活的解决方案基于CNN图像去噪,”IEEE图像处理,27卷,不。9日,2018年。视图:出版商的网站|谷歌学术搜索
7. f . g . Chen Zhu, p·a·亨”的一个有效的统计方法对图像噪声估计,”《IEEE计算机视觉国际会议,页477 - 485,圣地亚哥,智利,2015年12月。视图:出版商的网站|谷歌学术搜索
8. s . h . Lim, r·毛雷尔,p . Kisilev”去噪方案从未知来源现实的数码照片,”IEEE国际会议上声学学报》,演讲,和信号处理,ICASSP 2009IEEE,页1189 - 1192年,台北,台湾,2009年4月。视图:出版商的网站|谷歌学术搜索
9. g·e·希利和r . Kondepudy放射CCD相机校正和噪声估计,“IEEE模式分析与机器智能,16卷,不。3、267 - 276年,1994页。视图:出版商的网站|谷歌学术搜索
10. 米尔登霍尔,j·t·巴伦j . Chen d . Sharlet r·Ng和r·卡罗尔,“去噪与内核预测网络,”2017年,https://arxiv.org/abs/1712.02327。视图:谷歌学术搜索
11. m . Salmeri a . Mencattini e·里奇,a . Salsano”在数字图像噪声估计使用模糊处理,”学报2001年国际会议上图像处理、ICIP 2001,1卷,页517 - 520,IEEE,塞萨洛尼基,希腊,2001年10月。视图:出版商的网站|谷歌学术搜索
12. r·h·d·h·Shin公园,s .杨和j·h·荣格“基于块的噪声估计使用自适应的高斯滤波,”IEEE消费类电子产品,51卷,不。1,第226 - 218页,2005。视图:出版商的网站|谷歌学术搜索
13. s . k .阿布拉莫夫诉诉鲁金,b . Vozel k . Chehdi和j·t·Astola”盲目评价的有效方法在图像噪声方差,”应用遥感技术杂志》上,卷2,不。1,文章ID 023533, 2008。视图:出版商的网站|谷歌学术搜索
14. m .号b . Vozel诉鲁金,s .阿布拉莫夫Baryshev,和k . Chehdi”图像信息地图估计噪声标准差和纹理参数,“EURASIP在信号处理的发展》杂志上文章ID 806516卷,2011年,12页,2011。视图:出版商的网站|谷歌学术搜索
15. r . Bracho桑德森,“分割基于强度的图像梯度信息,”IEEE计算机Soc学报》上。相依在计算机视觉和模式识别,页19号、旧金山、钙、美国,1985年。视图:谷歌学术搜索
16. j . Immerkaer“快速噪声方差的估计。”计算机视觉和图像理解,卷64,不。2、300 - 302年,1996页。视图:出版商的网站|谷歌学术搜索
17. p·米尔,人类。Jolion, A·罗森菲尔德,“快速并行算法的盲估计噪声方差,”IEEE模式分析与机器智能,12卷,不。2、216 - 223年,1990页。视图:出版商的网站|谷歌学术搜索
18. k秩、m . Lendl和r . Unbehauen“图像噪声方差的估计,”IEE Proceedings-Vision、图像和信号处理,卷146,不。2、80 - 84年,1999页。视图:出版商的网站|谷歌学术搜索
19. j·李和k . Hoppel“噪声建模和估计的遥感图像,”学报》第12届加拿大遥感地球科学研讨会上和遥感研讨会,卷2,页1005 - 1008,IEEE,温哥华,加拿大,1989年7月。视图:出版商的网站|谷歌学术搜索
20. b . r .角落,r . m . Narayanan, s . e .赖兴巴赫”在遥感图像噪声估计使用数据屏蔽,”国际遥感杂志》上,24卷,不。4、689 - 702年,2003页。视图:出版商的网站|谷歌学术搜索
21. s . Aja-Fernandez g . Vegas-Sanchez-Ferrero m . Martin-Fernandez和c . Alberola-Lopez”自动噪声估计图像中使用本地数据。加法和乘法病例。”图像和视觉计算,27卷,不。6,756 - 770年,2009页。视图:出版商的网站|谷歌学术搜索
22. i . van Zyl沼泽和w . Steyn说,“车载图像质量评估、噪声估计算法”国际会议空间技术学报》上Dnipro,乌克兰,2009年5月。视图:谷歌学术搜索
23. m河和a . Amer同质性定位用粒子过滤器应用噪声估计,“IEEE图像处理,20卷,不。7,1788 - 1796年,2011页。视图:出版商的网站|谷歌学术搜索
24. s . Pyatykh j . Hesser说道,l .郑”图像噪声估计通过主成分分析,“IEEE图像处理,22卷,不。2、687 - 699年,2013页。视图:出版商的网站|谷歌学术搜索
25. 刘x、m .田中和m . Okutomi“幅图片噪声估计盲人去噪,”IEEE图像处理,22卷,不。12日,第5237 - 5226页,2013年。视图:出版商的网站|谷歌学术搜索
26. l .董、周j .和t·戴“彩色图像噪声协方差估计与跨越海峡的图像噪声建模”学报2018年IEEE国际会议多媒体和世博会(ICME)2018年7月,页1 - 6,IEEE,。视图:出版商的网站|谷歌学术搜索
27. l . j .徐张,d . Zhang, x,“多渠道加权核范数最小化真正的彩色图像去噪”《IEEE计算机视觉国际会议,第1104 - 1096页,2017年12月美国佛罗里达州坦帕市。视图:出版商的网站|谷歌学术搜索
28. j .戴h .气y Xiong et al .,“变形卷积网络”学报2017年IEEE计算机视觉国际会议(ICCV),1卷,不。2,p。3,威尼斯,意大利,2017年10月。视图:谷歌学术搜索
29. j .长,大肠Shelhamer, t·达雷尔“完全卷积网络语义分割”《IEEE计算机视觉与模式识别会议,页3431 - 3440,波士顿,MA,美国,2015年6月。视图:出版商的网站|谷歌学术搜索
30. k . Zhang w·左y . Chen孟d, l·张,“除了高斯降噪:残余学习深cnn对图像去噪,”IEEE图像处理,26卷,不。7,3142 - 3155年,2017页。视图:出版商的网站|谷歌学术搜索
31. k . x张,他任美国,j .太阳,“深残余学习图像识别,”《IEEE计算机视觉与模式识别会议778年,页770 -拉斯维加斯,美国,2016年6月。视图:出版商的网站|谷歌学术搜索
32. a . l .马斯河a . y . Hannun, a . y . Ng”整流器非线性改善声学模型,神经网络”《ICML,30卷,亚特兰大,乔治亚州,美国,2013年6月。视图:谷歌学术搜索
33. k . Ma z Duanmu,问:吴et al .,“滑铁卢勘探数据库:新的挑战对于图像质量评估模型,”IEEE图像处理,26卷,不。2、1004 - 1016年,2017页。视图:出版商的网站|谷歌学术搜索
34. m . Abadi p·巴j . Chen等人“TensorFlow:大规模机器学习系统”《OSDI》16卷,第283 - 265页,萨凡纳,美国,2016年11月。视图:谷歌学术搜索
35. d . Kingma和j .英航“亚当:随机优化方法,”2014年,http://arxiv.org/abs/14126980。视图:谷歌学术搜索
36. a . l .张x Wu Buades,李x”颜色demosaicking当地方向插值和非局部自适应阈值,“电子杂志的成像,20卷,不。2、文章ID 023016, 2011。视图:出版商的网站|谷歌学术搜索
37. p . Arbelaez m . Maire c . Fowlkes和j·马利克,“轮廓检测和分级图像分割,”IEEE模式分析与机器智能,33卷,不。5,898 - 916年,2011页。视图:出版商的网站|谷歌学术搜索
38. h . Tan h·肖,s .赖y . Liu和m .张深残余学习Demosaicing和盲目的去噪图像,2018,https://www.researchgate.net/publication/327034648_Deep_Residual_Learning_for_Image_Demosaicing_and_Blind_Denoising。

版权

版权©2019翰林谭等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。