1月18日，《Deep Learning on Image Denoising: An overview》被“人工智能前沿講習(xí)”公眾號(hào)報(bào)道，具體信息如：https://mp.weixin.qq.com/s/aaaaG5LkyWcJ9dhZ74Cp6A
1月27日，這個(gè)工作被“市級(jí)平臺(tái)”推送，具體信息如：https://mp.weixin.qq.com/s/hPaJssohwTIPx6kzGvp70g
2月14日，這個(gè)工作被"CVer"所推送，具體信息如：https://mp.weixin.qq.com/s/nmKWJPbedGo1J8-oeIKm2w
部分介紹如下：
近日哈爾濱工業(yè)大學(xué)、廣東工業(yè)大學(xué)、清華大學(xué)與臺(tái)灣國立清華大學(xué)等研究人員共同撰寫一篇深度學(xué)習(xí)在圖像去噪上的綜述并在arxiv發(fā)表，該綜述系統(tǒng)地總結(jié)圖像去噪的重要性、圖像去噪技術(shù)的發(fā)展、傳統(tǒng)的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的圖像去噪技術(shù)的優(yōu)缺點(diǎn)以及刨析出圖像去噪技術(shù)面對(duì)的挑戰(zhàn)與潛在的研究點(diǎn)。該綜述對(duì)學(xué)術(shù)界和工業(yè)界都有重要的指導(dǎo)作用，值得學(xué)習(xí)。
Deep Learning onImage Denoising: An Overviewhttps://arxiv.org/abs/1912.13171https://github.com/hellloxiaotian
1 背景與動(dòng)機(jī)
數(shù)字圖像設(shè)備已經(jīng)被應(yīng)用在天氣預(yù)測(cè)、災(zāi)難救援、安全監(jiān)控與醫(yī)學(xué)診病等多個(gè)領(lǐng)域。然而數(shù)字設(shè)備常受到相機(jī)抖動(dòng)、運(yùn)動(dòng)的物體、暗光和噪聲等影響而導(dǎo)致捕獲的照片不干凈。因此圖像去噪技術(shù)的研究具有重要的理論和實(shí)際應(yīng)用價(jià)值。圖像去噪技術(shù)在20世紀(jì)90年代已經(jīng)成為研究熱點(diǎn)。例如：用非局部相似性來優(yōu)化稀疏方法能提高去噪的性能。字典學(xué)習(xí)有助于快速移除噪聲。先驗(yàn)知識(shí)通過平滑噪聲圖像來恢復(fù)潛在干凈圖像的細(xì)節(jié)。更多競(jìng)爭(zhēng)去噪方法包括MRF 、WNNM 、LSSC、CSF 、TNRD和GHEP能被利用。雖然這些大部分方法在圖像去噪上能達(dá)到好的性能，但是他們有以下缺點(diǎn)：(1) 在測(cè)試階段涉及復(fù)雜優(yōu)化方法,(2) 手動(dòng)設(shè)置參數(shù), (3) 一個(gè)固定的模型來處理單個(gè)去噪任務(wù)。擁有靈活的結(jié)構(gòu)，強(qiáng)的自學(xué)習(xí)能力的深度學(xué)習(xí)技術(shù)能用來解決這些不足。2 本文研究框架
本文由淺到深介紹深度學(xué)習(xí)在圖像去噪應(yīng)用，首先介紹深度學(xué)習(xí)在圖像處理的基本框架，包括：有監(jiān)督和無監(jiān)督機(jī)器學(xué)習(xí)、卷積網(wǎng)絡(luò)、深度學(xué)習(xí)在圖像去噪的主要結(jié)構(gòu)（如：VGG、ResNet、GoogLeNet和GAN）和深度學(xué)習(xí)技術(shù)常用軟件和硬件；其次重點(diǎn)介紹深度學(xué)習(xí)技術(shù)在圖像去噪上應(yīng)用，如圖示1所示：
聲明：本內(nèi)容系學(xué)者網(wǎng)用戶個(gè)人學(xué)術(shù)動(dòng)態(tài)分享，不代表平臺(tái)立場(chǎng)。
學(xué)者網(wǎng)
評(píng)論 0