基于注意力机制的蒙特卡罗渲染去噪方法

针对蒙特卡罗渲染在低采样率下绘制图像的噪声问题，提出基于注意力机制的蒙特卡罗噪声去除方法。在模型上，设计去除批归一化层的注意力残差块减少模型的计算量，引入空间注意力和通道注意力关注渲染图像的细节。使用图像的颜色和辅助信息作为网络的输入，加入感知损失函数训练网络。实验结果表明，相比其他蒙特卡罗渲染去噪方法，该方法在去除噪声的同时不仅取得了更高的量化值，而且保留了更多的细节特征。     

自适应深度残差椒盐噪声滤除算法

为了在去除图像中椒盐噪声的同时最大程度地避免产生色彩失真与边缘模糊等瑕疵,提出基于深度残差网络的椒盐噪声自适应滤除算法.将图像去噪分解为2步.首先,为了让网络模型能够处理不同尺度密度的椒盐噪声,提高网络模型的鲁棒性,先对图像进行自适应预处理以去除高频信息;其次,构建深度残差网络模型,训练出能将预处理后的图像映射到干净图像的函数.大量实验结果表明,文中算法不仅在保留图像边缘细节和去除高密度椒盐噪声方面均优于传统和基于机器学习的椒盐噪声去除技术,可有效地避免出现色彩失真和条纹等瑕疵.同时,其在BSD300数据集上去噪效果优于其他算法.     

基于多残差网络的结构保持超分辨重建

针对图像超分辨率重建中几何结构扭曲和细节缺失等问题,文中提出基于多残差网络的结构保持超分辨重建算法.在小波变换域和梯度域上进行深度学习.文中算法包含3种残差网络.残差梯度网络用于结构及边缘信息的重建.残差小波变换网络从整体上进行图像高频信息的重建.残差通道注意力网络通过调整网络注意力,着重学习重要的通道特征,从局部恢复图像高频信息,提高重建效率.实验表明,文中算法在定量结果和视觉效果方面均取得较优表现.     

改进的生成对抗网络图像去噪算法

由于图像噪声的存在会干扰人对图像的理解,为了有效地去除噪声并获得比较好的视觉观感,提出一种基于生成对抗网络算法,该算法通过增加生成网络的宽度来获取更多的图像特征,并加入一个全局残差对输入的噪声图像进行特征的提取与学习,避免特征的丢失.网络采用对抗损失和重建损失的加权和,在去除噪声的同时能够有效地保留图像的细节信息.实验结果表明,该算法能够有效地去除图像噪声,改善图像的视觉观感.     

改进的生成对抗网络图像去噪算法

由于图像噪声的存在会干扰人对图像的理解,为了有效地去除噪声并获得比较好的视觉观感,提出一种基于生成对抗网络算法,该算法通过增加生成网络的宽度来获取更多的图像特征,并加入一个全局残差对输入的噪声图像进行特征的提取与学习,避免特征的丢失.网络采用对抗损失和重建损失的加权和,在去除噪声的同时能够有效地保留图像的细节信息.实验结果表明,该算法能够有效地去除图像噪声,改善图像的视觉观感.     

基于噪声感知残差网络的JPEG隐写分析方法

为了进一步挖掘自适应JPEG隐写图像中隐写噪声信号特征,提出基于噪声感知残差网络的JPEG隐写分析方法.该方法由噪声感知、噪声分析和判断三部分组成.其中,噪声感知部分提取图像噪声,利用图像去噪网络,更加全面地捕获隐写引入的扰动;噪声分析部分获得噪声信息的统计特征;判断部分确定图像是否携带隐写信息.此外,网络中的残差连接有效融合多尺度特征,并防止训练中出现梯度消失和爆炸.多种条件下的对比实验结果表明,该方法相较于对比算法,能够提升针对JPEG自适应隐写的检测性能并具有更好的泛化能力.     

残差密集块的卷积神经网络图像去噪

针对加性高斯白噪声的图像信噪比低, 图像细节丢失问题, 结合现有卷积神经网络算法, 提出了一种基于残差密集块的卷积神经网络图像去噪模型. 该模型通过引入多级残差网络和密集连接, 并对整体网络使用Leaky ReLU激活函数, 去除不同等级强度噪声的同时, 更好保留图像的有效信息, 有效避免特征丢失. 本文提出算法和深度卷积神经网络残差学习(DnCNN)模型对比, 本文提出的模型在Set12和BSD68测试集上峰值信噪比平均提升了约0.12 dB, 结构相似性平均提升了约0.008 6, 通过观察实验效果, 表明该模型能够充分提取图像特征, 保留图像细节, 同时降低网络计算的复杂度.     

基于链接突触计算网络的遥感图像对比度增强算法

针对卫星遥感图像在增强对比度和去除噪声过程中出现纹理细节丢失和图像自然性降低的问题,提出一种基于链接突触计算网络的卫星遥感图像对比度增强算法。在彩色图像转变至HSV颜色空间的前提下,通过引导滤波器去除噪声和边缘增强技术突出细节;将边缘增强的图像输入链接突触计算网络,采取与显著特征图相结合的方式增强图像亮度和对比度;在RGB空间上,利用改进的自然色彩还原技术对增强图像进行还原。实验结果表明,相对于其他对比度增强算法,该方法在多个评价指标上都有很好的性能体现,在增强图像对比度和亮度的同时,保留了丰富的纹理细节和自然色彩度。     

结合深度残差学习和感知损失的图像去噪

目的 现存的去噪算法中很多在去除噪声的同时都存在边缘信息过光滑、易产生彩色伪影的问题,为了解决这些缺点,本文提出了一种基于联合感知损失的深度残差去噪网络。方法 首先利用低通滤波器将噪声图片分解成高频层和低频层,然后将包含噪声和边缘信息的高频层输入设计好的残差网络中,通过常规逐像素损失方法学习端到端的残差映射预测出噪声残差图片,再由一个从输入直接通往输出的全局跳跃连接处理得到初始较模糊的去噪结果,最后级联一个预训练好的语义分割网络用来定义感知损失,指导前面的去噪模型学习更多语义特征信息来增强被模糊的边缘细节,得到更清晰真实的去噪结果。结果 本文从定性和定量两个方面进行对比实验。以峰值信噪比（PSNR）作为量化指标来评价算法性能,结果表明所提出的网络在同其他对比方法一样使用逐像素损失训练时能产生最好的指标结果,在Set5、Set14和BSD100测试集25噪声级别时的结果分别为30.51 dB、30.60 dB和29.38 dB。在视觉定性分析上,本文提出的感知损失模型明显取得了更清晰的去噪结果,相比其他方法产生的模糊区域该方法保留了更多的边缘信息和纹理细节。此外还进行了盲去噪测试实验,对一张含有不同噪声级别的图片进行去噪处理,结果表明本文训练好的算法模型可以一次性处理多种未知级别的噪声并产生满意的去噪输出而且没有多余伪影。结论 基于边缘增强的感知损失残差网络的图像去噪算法在去除噪声的同时可以保留更多容易被模糊的边缘细节,改善去噪结果过平滑的问题,提高图像视觉效果。     

基于卷积盲降噪的混合式核磁共振成像

为了解决图像压缩感知重建研究领域中通过有效的图像先验信息重构与原图相似性高且保留细节消除伪影的高质量图像的问题, 针对不足采样的K空间数据, 在经典的CNN算法CBDNet算法的基础上, 通过融合深度学习先验信息及传统图像恢复各自优势的方法, 研究了基于深度神经网络去噪先验和BM3D块压缩感知算法的混合式重构算法. 该算法采用交互式方法训练多尺度残差网络抑制噪声水平, 借优化选择的方式将深度学习与传统块匹配多尺度结合以提取图像不同尺度的特征数据从而实现抑制伪影、快速重建高质量MRI. 实结果表明深度学习结合BM3D在MR图像重构领域能够有效降低伪影保留细节信息, 加强重构效果. 与此同时, 通过采用GPU的加速运算, 算法的计算复杂度较使用单一算法并未增加很多. 可见基于卷积盲降噪的混合式核磁共振成像效果更佳.