研究文章
图像去噪和超分辨率重建技术研究Multiscale-Fusion图像
|
| 基本的网络 |
方法涉及 |
优势 |
缺点 |
适用的噪音 |
|
| 基于卷积神经网络去噪方法 |
N2N [21] |
不需要成对训练样本,它克服了成对训练样本不足的问题在现实图像 |
浅像素级信息利用率低和纹理细节很容易丢失 |
真正的噪音 |
| VDN [22] |
复杂的噪声 |
| FFDNet [23] |
复杂的噪声 |
| CBDNet [24] |
真正的噪音 |
| PRIDNet [25] |
真正的噪音 |
|
| 去噪方法基于残余网络 |
FC-AIDE [26] |
梯度和梯度爆炸消失的问题有效解决,而且收敛速度加快 |
使用密集的网络连接会导致过度拟合,影响目标之间的一致性评价指标和主观视觉效果 |
复杂的噪声 |
| CycleISP [27] |
真正的噪音 |
| PANet [28] |
复杂的噪声 |
| GRDN [29日] |
真正的噪音 |
|
| 基于生成的去噪方法对抗的网络 |
GCBD [24] |
它能生成实际的噪声图像,扩大真实图像数据集,解决训练样本不足的问题 |
有一些问题,如不稳定的网络训练,收敛速度慢,无法控制的模型 |
真正的噪音 |
| ADGAN [30.] |
真正的噪音 |
|
| 基于神经网络图像去噪方法 |
GCDN [31日] |
复杂的噪声分布可以安装图的拓扑网络 |
不稳定的动态拓扑将减少功能表达的能力 |
真正的噪音 |
| DeepGLR [32] |
真正的噪音 |
| OverNet [33] |
复杂的噪声 |
|
|
