Block-matching and 3D filtering
PulseAugur coverage of Block-matching and 3D filtering — every cluster mentioning Block-matching and 3D filtering across labs, papers, and developer communities, ranked by signal.
-
Noise2Noise 去噪性能受训练数据分布驱动，而非损失函数选择
一篇新论文重新审视了 Noise2Noise (N2N) 自监督去噪技术，挑战了关于 L1 损失优于 L2 损失的普遍假设。研究表明，训练对分布，而非损失函数的选择，是影响 N2N 性能的主要因素。在合成和真实世界噪声数据集上的实验表明，在特定噪声分布上训练的 N2N 模型取得了显著的提升，甚至在没有干净参考图像的情况下，当使用相关的噪声对进行训练时，其性能也超越了 BM3D 等传统方法。
-
GALOSH：新型无训练去噪器兼具速度与质量
研究人员推出了一种新颖的图像去噪方法 GALOSH，该方法专为速度和效率而设计。与依赖计算密集型块匹配的传统方法不同，GALOSH 在本地运行且无需搜索，因此速度明显更快，适合硬件实现。它可以处理原始拜耳和 sRGB 图像格式，在与其他盲、无训练去噪器相比时表现强劲，并且在原始数据上接近训练网络的质量。
-
新的SAR图像分割模型采用I散度-TV方法
研究人员开发了一种新的变分活动轮廓模型，用于分割合成孔径雷达（SAR）图像。该模型结合了I散度-TV方法来处理乘性伽马噪声，有效地结合了基于边缘和基于区域的分割技术。所提出的模型能够准确地在模糊边缘停止轮廓，并自动识别图像的外部和内部边界。此外，它可以转化为广义ROF模型，并使用BM3D和NLM等快速去噪算法求解，为相关的子问题提供了一个统一的框架。
-
对数域Noisier2Inverse框架推动ICF图像去噪技术发展
一种新的自监督去噪框架Log-Domain Noisier2Inverse已被开发并评估，用于处理受乘性均匀噪声影响的惯性约束聚变（ICF）图像。该框架展示了显著的改进，实现了21.41 dB的平均PSNR和0.8358的SSIM，相比噪声输入有了大幅提升。该方法在ICF图像去噪方面，显著优于BM3D和Noise2Self等现有技术，并且在训练过程中完全是自监督的。