没有合适的资源?快使用搜索试试~ 我知道了~
2440学习图像压缩时去噪的重要性Benoit BrummerintoPIX,鲁汶大学,比利时benoit. uclouvain.beChristophe DeVleeschouwer鲁汶大学Louvain-la-Neuve,比利时christophe. uclouvain.be摘要图像噪声在摄影中是普遍存在的。然而,图像噪声是不可压缩的,也是不期望的,因此试图在压缩图像比特流中传送噪声会在速率和失真方面产生低于标准的结果。我们建议在训练编解码器时显式学习图像去噪任务。因此,我们利用自然图像噪声数据集,它提供了各种各样的场景捕捉不同的ISO号码,导致不同的噪音水平,包括不重要的。给定此训练集,我们用噪声-干净图像对来监督编解码器,并表明基于具有可变噪声水平的图像混合物训练的单个模型似乎对噪声和干净图像都产生同类最佳结果,实现比仅压缩模型更好的率失真,甚至比一对降噪然后压缩模型少了几乎一个数量级的GMac操作。1. 介绍图像传感器捕获噪声以及有用的图像信息。这种噪声会随着相机的ISO感光度设置而增加,但噪声实际上总是在某种程度上存在,并且它是不可压缩的,不受欢迎的。有损图像压缩器固有地执行一些图像去噪,因为去除随机噪声通常是减少信号中熵的最有效方法,但如果没有适当的训练(或算法设计),所产生的图像大小仍然会膨胀,结果看起来低于标准,如图1所示(补充材料中的图S1以及我们在图3a中的实验也证明了这一点)。比特率的这种增加在传统编解码器和学习编解码器中都是容易观察到的通过自动编码器(AE)转发图像并从损失反向传播来训练学习的有损图像压缩方案,损失的组成部分是比特率和失真[5]。比特率是从优化的,即,训练的累积失真函数,并且失真量化自动编码器的输出与输入图像之间的通常通过计算均方误差(MSE)。任何一种图像压缩方案都必须先去除噪声,才能获得较好的率失真.图像降噪器通常可以被训练为使用成对图像的数据集从噪声输入中重建干净的图像,其中静态场景使用逐渐更快的快门速度捕获[8]。在这项工作中,我们考虑联合压缩和去噪。添加去噪功能本质上可以归结为向网络提供一个潜在的噪声图像,并将其输出与一个干净的图像进行比较,该图像可能比最初输入到网络的图像质量更好。目标是生成比用作输入的图像质量更高的图像,同时将必要的比特率降低到接近干净图像的比特同时,由于推理过程和网络结构保持不变,因此没有该网络使用噪声图像和一些干净图像作为输入进行训练,以便在去除噪声的同时保留有效压缩干净输入图像的能力实验分析了图像噪声对不同标准和学习压缩方法的率失真的影响,以及在压缩前进行去噪和在压缩过程中进行去噪我们原来的监督策略,介绍,以促进repercation- tion的干净的图像时,学习的编解码器与嘈杂的饲料,似乎是有效的。所得到的联合去噪和压缩模型对干净图像以及有噪图像都能正确地执行,有效地取代了通用图像压缩的标准压缩模型,并大大改善了有噪图像的率失真如图1的第二行所示(第二列和第三列之间的比较),与依赖于由训练期间基于感知的损失函数的常规采用引起的隐式噪声去除相比,示出了显著改善率失真性能(使用它还比计算量大的两步过程(涉及一个AE去噪,然后是另一个基于AE的网络进行压缩)获得了略好的率失真2441图1:来自NIND [8]的干净(顶部)和嘈杂(底部)测试图像的可视化从左到右:(i)地面实况/噪声输入,(ii)使用标准监督训练的压缩自动编码器[9],依赖于采用基于感知的损失函数来减轻噪声的影响,(iii)我们提出的联合去噪和压缩模型,使用自然图像噪声去除监督训练,使用干净和低噪声图像(本文的组织如下:第2节总结了本文的基础上的工作。我们的联合去噪和压缩监督背后的主要概念将在第3节中介绍。第4节给出了实施细节,随后是结果,第5节总结了当前工作的影响。2. 背景学习有损图像压缩通常基于Johannes Balle等人的开创性工作。[5];卷积自动编码器[17],具有广义分裂归一化(GDN)[4],以及联合优化以捕获潜在分布的熵模型。该模型已被扩展为参数化超先验[6]或多个先验之间的竞争[9],这允许操纵依赖于图像的潜在分布。我们的实验建立在[5]的初始架构上,并在[9]中学习了多组潜在分布。图像噪声发生在图像传感器的灵敏度以弥补非理想的照明条件。当光线不足或动态范围太宽时,ISO和/或快门速度设置会相应增加。像素采用随机的、不太精确的值,因此可见的细节较少已经开发了不同的图像噪声并不反映所观察场景的物理成分。这是不完善的收购过程的结果,因此应该尽可能忽略。因此,以去噪图像的重建为目标是继续获得真实的忠实表示(即使它意味着不完美地呈现捕获的信号)。自然图像噪声数据集(NIND)[8]和智能手机图像去噪数据集(SIDD)[3]提供了适合训练去噪神经网络的干净噪声图像对集NIND由三脚架上捕获的许多静态场景的多张照片组成,以确保空间一致性;拍摄干净的地面实况图像2442×在理想的条件下,相机这些噪声图像通常作为去噪神经网络的输入,同时训练它来重建场景,就像在理想条件下拍摄一样。去噪和压缩已经作为小波域中的组合问题进行了研究[13,10],最近Testolina等人提出了与神经网络联合学习去噪和压缩的想法[23]在JPEG AI编解码器的上下文中。[23]中的解码器被扩展,使得它由两倍多的层组成,并且将泊松-高斯噪声应用于输入训练数据。这种方法将去噪任务委托给解码器,符合使用统一编码器和专用解码器的JPEG AI要求然而,如我们的实验部分所示,这种架构不会导致明显的比特率降低,因为只有编码器可以确保不可压缩噪声不会到达比特流。此外,用合成噪声训练去噪器往往会在真实数据上产生较差的模型[8,20]。Testolina等人引入了一个有前途的联合去噪和压缩(JDC)计划,但其模型的率失真低于使用我们提出的基于成对自然噪声/干净图像的监督所获得的率失真3. 联合学习去噪和压缩一个有效的去噪网络可以被训练成在给定噪声图像作为输入的情况下重建干净的图像,使用成对的噪声干净图像的数据集,例如NIND [8]和SIDD [3]。我们建议采用类似的原则来训练最初为图像压缩设计的自动编码器。训练联合去噪和压缩自动编码器[9],以从配对数据集中的匹配噪声图像或从相同的干净图像生成干净图像。目的是获得质量潜在地高于输入图像的质量的解码图像,同时节省否则将在编码噪声中浪费的空间。提出了不同的方法来训练这样的联合去噪和压缩模型,使用自然图像噪声去除(NINR)监督。它们在第节中描述3.1 图2说明了一般的训练过程。3.1.我们建议的NIN监管策略四种不同的策略设想和比较,以实现我们的新的自然图像噪声去除(NINR)的监督范式。它们列在表1中并在下文中描述。Noisy Pairs(JDC-N)最简单的联合去噪和压缩实现包括使用数据集中可用的所有噪声-干净图像对进行训练干净和噪声对(JDC-CN)该方法除了考虑噪声-干净图像对之外,还考虑一些干净图像的数据集可以被选择为一组已经由人类评审员评估和推广的图像,例如维基共享资源特色图片[1],然后通过消除其元数据指示高ISO值的图像来进一步细化,以确保没有噪音。清洁和低噪声对(JDC-Cn)为了将模型专门用于最常见的输入图像噪声水平,我们还考虑对训练数据噪声水平设置阈值我们的实验表明,过滤掉最嘈杂的输入训练图像是有益的,因为当网络被训练成执行更极端的去噪时,整体率失真会降低这种极端去噪将需要增加编码器的复杂性,并且尽管可能,但极端去噪在组合去噪器的范围之外,组合去噪器的目的是通过去除大多数照片中固有存在的噪声来改善速率失真,而不是学习在黑暗中看到,如[14]中所提出的。在训练之前分析配对的图像噪声数据集,使得每个噪声作物与其干净的地面实况之间的多尺度结构相似性(MS-SSIM)[24]得分存储在文件中,并且可以初始化训练数据集,使得所有训练作物超过设定的质量阈值。在消融研究中分析了不同噪声阈值的影响从通用去噪器构建配对(JDC-UD)第四种训练方法包括在所有训练数据上运行预先训练的盲去噪模型[21,8]以生成地面实况图像,并计算输入图像和去噪图像之间的该方法有效地执行了从强大的通用去噪网络到联合去噪和压缩网络的知识蒸馏所有的输入图像都被认为是有噪声的,训练数据集几乎是无限的,因为地面实况图像是(提前)生成的,因此整个图像数据集无需过滤即可使用。4. 实验4.1. 实际实施细节这些实验基于[9]中介绍的自动编码器基础编解码器的PyTorch实现。源代码作为补充材料提供,可在https://github.com/trougnouf/compression上获得。 培训损失压缩自动编码器的损失计算为:损失=比特率(x)+λMSE(x,x),其中x是解码图像,x是干净的地面实况,如第3节所述,其可能与输入图像不同,并且λ平衡2443图2:去噪和压缩联合训练:在重建图像x和干净图像x之间计算失真损失。输入图像y可能有噪声。网络[9]由四个(转置)卷积组成,步长为2,内核大小为5,每个卷积后面都有一个GDN激活[4],除了最后一个(转置)卷积。(最好是彩色的)。表1:本文中考虑的训练联合去噪和压缩模型的数据对 JDC-Cn也被称为其训练噪声阈值(例如,JDC-Cn.8使用MS-SSIM ≥ 0进行训练。8、详见正文)。方法训练输入预期输出JDC-N来自干净噪声配对数据集的噪声图像清洁地面实况JDC-CN来自干净噪声配对数据集的噪声图像来自高质量数据集的干净图像[1]干净的地面实况,干净输入JDC-Cn来自干净噪声配对数据集的弱噪声图像来自高质量数据集的干净的地面实况,干净输入JDC-UD任意输入图像[1,8]由通用降噪器[23]第二十三话来自高质量数据集的干净图像+人工噪声干净输入模型的速率/失真权衡。组合的去噪和压缩自动编码器[9]使用来自NIND [8]的四个噪声图像和来自维基共享资源精选图片[1]数据集的一个干净图像进行训练,其ISO值不超过200,裁剪大小为256,这通常是在学习的压缩文献中完成的[9,5,6]。用于训练JDC-UD模型的预训练的的CLIC专业测试集[2]用于在其他干净图像上评估模型。Testolina et al.(2021)[23]完全按照泊松-高斯人工噪声[19](噪声参数a = 0)进行训练。22,b=0。042),来自Balle et al.(2018)[6],以及他们提出的解码器,其层数是Balle等人推荐的解码器的两倍。一个额外的JDC-Cn模型是用Testolina等人提出的更大的解码器训练的。为了评估他们提出的网络架构,2444噪声输入BPG JPEGJDC-NJDC-UD去噪泰斯托利纳JPEG XLJDC-Cn.8标准AE≥MS-SSIM≥∈与训练方法分开。大多数模型在λ=4096的情况下训练了600万步以产生最高比特率,然后λ值减半,并且对于每个λ值继续训练300万步,直到λ=256,如[9]所示。与Testolina等人定义的解码器匹配的JDC-Cn.8-Tdec方法都可以用于解码器。并且仅用噪声-干净图像对训练的JDC-N模型同样,Testolina等人定义的整个方法。[23]训练的最大值为λ= 16384。标准编解码器的比较是通过使用GraphicsMagick1.3.37(JPEG)、JPEG XL编码器v0.6.1和BPG图像编码器版本0.9.8对图像进行编码来进行的。The “4.2. 结果4.2.1论降噪第一个实验测量在使用不同压缩方法压缩之前去噪的影响图3a绘制了对于各种编解码器,在没有对输入图像进行特定去噪的情况下获得的速率失真曲线。我们观察到,对于所有编解码器,压缩是最低比特率下的有效去噪方法。然而,在合理的比特率下,所有传统的编解码器(学习或未学习)倾向于再现噪声。这与我们提出的联合去噪和压缩范例,当比特率增加时持续提高质量。在使用传统编解码器时,可以考虑在压缩之前去噪以解决如图3b所示,与我们提出的JDC方法相比,这弥合了(大部分)质量差距,但代价是复杂性显著增加(见第4.2.3节)。4.2.2我们的联合去噪和压缩方案图3还介绍了所提出的联合去噪和压缩模型JDC-CN(无噪声阈值)和JDC-Cn. 8(训练噪声限制为MS-SSIM 0。(八)。这些模型像专用的去噪模型一样进行训练,因为输入训练批次由四个噪声图像和一个干净图像组成,并且模型的任务是重建干净的地面实况。这个单一的JDC模型通常比去噪和压缩神经网络(除了在高比特率下)实现更好的率失真,同时使用更少的计算开销。所示的最佳结果是用“JDC-Cn.8”模型获得的,该模型是用输入噪声被限制为MS-SSIM 0的成对图像训练的。8以及未配对的干净图像,以促进泛化。T是用Testolina等人描述的人工噪声[23]其中性能不如一对模型,这也显示在他们的结果。0.960.960.940.940.920.920.900.900.88电话:+86-0511 - 8888888传真:+86-0511 - 8888888每像素位数0.880.1 0.2 0.3 0.4 0.5每像素位数(a) 当原始图像(因此是有噪声的)作为输入时进行压缩。(b) 在压缩(除了我们的JDC,它输入最初捕获的图像)。图3:噪声的有损压缩(MS-SSIM [0. 七,一。0))测试NIND [8]中的图像是否匹配干净的地面实况。(a) 提供原始(噪声)图像作为输入。标准方法(JPEG,JPEG XL,BPG和标准压缩自动编码器[9])在低比特率下执行一些隐式去噪,但图像质量随着比特率的增加而下降,因为有噪信号被重建。(b) 在将图像呈现给标准方法之前应用通用去噪器这大大改善了率失真,但增加了一个数量级的复杂性。我们的联合去噪和压缩(JDC)自动编码器具有自然图像噪声去除监督功能,可以在没有事先去噪的情况下进行无噪声重建。噪声输入去噪去噪+BPG去噪+JPEG降噪+JPEGXLJDC-N去噪+标准AEJDC-Cn.8JDC-UDMS-SSIM2445BPG泰斯托利纳JPEGJDC-NJPEGXL标准AEJDC-UDJDC-Cn.8JDC-CN4.2.3计算复杂度计算成本是衡量十亿乘法累加运算(GMac)和运行时间的AMD Threadripper 3960X CPU。专用的去噪U-Net在65.8秒内每百万像素(MP)执行8120亿次乘法累加运算(GMac)。MP,而JDC模型的压缩编码器在2.9秒内执行92.8 GMAC/MP。MP.因此,双模型方法(去噪然后压缩)总共执行904.8 GMac/MP,而单个联合去噪和压缩模型以该计算复杂度的10.3%操作。0.990.9800.9750.980.9700.970.9650.9600.960.9550.9500.950.9450.940.1 0.2 0.3 0.4 0.5 0.6每像素位数0.9400.15 0.20 0.25 0.30 0.35 0.40 0.45每像素位数(a) 高质量(未配对)测试图像(b) 使用(MS-SSIM ∈ [0. 95,1。0),MS-SSIM µ = 0。97)图4:不同压缩方法的MS-SSIM率失真曲线(a)来自CLIC pro测试集[2]的高质量图像和(b)来自NIND[8]的几乎无噪声的测试图像。0.9650.96250.9600.96000.9550.95750.9500.95500.9450.95250.95000.9400.94750.9350.94500.1500.1750.200个单位0.225零点二五0.275三百0.325零点三五每像素位数0.9300.10 0.15 0.20 0.25 0.30 0.35 0.40每像素位数(a) 使用MS-SSIM ∈ [0. 七,一。0),MS-SSIM µ = 0。89(b)使用MS-SSIM ∈ [0. 五一0),MS-SSIM µ = 0。84图5:使用不同的联合去噪和压缩方法对NIND [8]中的噪声测试图像进行有损压缩,包括使用不同MS-SSIM阈值训练的JDC-Cn,没有这种阈值训练的JDC-CN,没有干净图像训练的JDC-N,使用通用降噪器的知识蒸馏训练的JDC-UD,以及使用Testolina等人定义[23]第10段。(a)JDC-Cn方法倾向于执行良好,尤其是当质量阈值设置在0.6和0.8之间时,但是当训练质量阈值增加到0.9(即,在训练期间模型看到很少的JDC-UD模型产生类似的较低性能,并且尽管使用与JDC-Cn相同的训练方案,但较大的解码器也是如此(b)噪音水平比照片中可能出现的噪音水平更极端。这进一步表明,在训练期间使用比以往任何时候都多的噪声进行压缩(例如,JDC-Cn.9)产生更差的速率失真。没有干净图像对(JDC-N)训练的模型即使在测试图像噪声较大时也表现不佳。噪声输入BPG去噪+BPG去噪+JPEGJPEG降噪+JPEGXLJPEGXL公司简介去噪+标准AE标准AEJDC-Cn.8JDC-UD降噪+JPEGXLJDC-NJDC-Cn.4去噪+标准AEJDC-Cn.6JDC-CNJDC-Cn.8JDC-Cn.8-TdecJDC-Cn.2降噪+JPEGXLJDC-NJDC-Cn.6去噪+标准AEJDC-Cn.8JDC-Cn.8-TdecJDC-UDJDC-Cn.2MS-SSIMMS-SSIMMS-SSIMMS-SSIM2446≥∈∈≥图6:来自NIND [8]的干净(顶部)和嘈杂(底部)测试图像的可视化,使用不同的训练压缩自动编码器以0.13bpp的目标比特率编码。从左到右:地面实况/噪声输入,标准自动编码器[9],Testolina等人的(2021)[23](在人工噪声上训练;增加比特率并没有在地面实况上产生质量在屏幕上放大后,图像的可视化效果最好。4.2.4处理干净的图像JDC-C模型使用噪声-干净和干净-干净配对图像进行训练图4a和图7显示了压缩干净图像时不同JDC训练策略的行为用一些干净的输入图像或JDC-UD知识分解技术训练的JDC模型产生与仅为压缩训练的模型类似的率失真,即使没有设置最小训练噪声阈值,因此在训练数据(JDC-CN)中包含干净的图像恢复了良好的率失真。将输入噪声限制为MS-SSIM 0。8(JDC-Cn.8)进一步改善了率失真,使得在低比特率下,JDC模型比标准模型稍好,并且在高比特率下由于感知失真折衷[7]而稍差,其中只有重建保真度重要。仅用噪声-干净图像对训练的JDC-N模型图4b显示了一个常见的用例,其中低噪声(MS-SSIM [0. 95,1))。先前的去噪仍然改善了率失真,并且联合去噪和压缩方法产生最显著的率失真益处。所有压缩方法都受益于先验或联合去噪,即使噪声水平很小。传统的压缩方案从先验去噪中受益最多4.2.5消融研究分析了不同训练噪声阈值对含噪图像压缩效果 在图5a中,测试噪声仅限于MS-SSIM [0. 7,1),这是定性相当嘈杂,如图1所示。没有一种方法比去噪和压缩两种模型表现得更好或更差。值得注意的是,三个最差的JDC训练方案是知识蒸馏JDC-UD模型,该模型以MS-SSIM的质量阈值进行训练0的情况。9,以及由Testolina et al.其包含两倍的层。JDC-Cn2447∈≥≥≥≥≥使用0.6和0.8的MS-SSIM阈值训练的模型产生最佳的率失真。低比特率下不同去噪和压缩方法的可视化如图6所示。在图5 b中,测试噪声增加到MS-SSIM [0. 5,1),显示了模型在极端输入噪声下的表现。结果大体相同;使用MS-SSIM 0训练的模型。9由于噪声增加而更加挣扎,其性能接近JDC-UD方法,即使用MS-SSIM0的情况。8的表现不好,而使用MS-SSIM 0训练的模型。6仍然具有竞争力,并且使用干净的图像对进行训练仍然是有益的。5. 结论无论压缩方法如何,只要存在噪声,去噪图像就可以在压缩之前使用专用去噪器进行去噪(如专业图像开发工作流程中通常所做的那样),而无需对压缩方案进行调整。经过训练的联合模型可以同时执行去噪和压缩,从而进一步改善率失真。因此,联合去噪和压缩模型执行的GMAC操作比U-Net去噪器和压缩编码器少8.9倍。由于JDC模型与标准学习压缩模型的区别仅在于所采用的监督策略,例如,它可以使用文献中可用的任何压缩架构来实现(例如[5,6,9])。因此,我们提出的自然图像噪声去除监督策略提供了一个基本的和通用的贡献,预计将成为流行的学习压缩相关的未来工作。在实践中,联合去噪和压缩模型可以使用具有自然噪声的噪声-干净图像对的数据集来训练通过在训练图像上设置质量阈值(例如MS-SSIM)来提高性能0的情况。8或MS-SSIM0的情况。6de-等待最大期望噪声。率失真曲线在干净图像上被保留,并且在任何情况下通过将干净-干净图像对并入训练数据中而得到改善另一种方法是通过在训练期间使用专用降噪器的输出作为地面实况图像来执行知识蒸馏[16]。这样做的好处是允许几乎无限的训练数据集,不再需要成对的数据集,但它需要对训练图像进行预处理,更差的速率失真。6. 确认这项研究由瓦隆大区资助。计算资源由CISM/UCL和CE′ CI提供,由FRS-FNRS根据公约2.5020.11资助。图7:使用不同方法压缩的干净测试图像的可视化,目标比特率为0.23 bpp。标准方法(JPEG、JPEG XL、BPG)往往会产生块伪影。Testolina et al.[23]在干净的图像上产生过度平滑的结果。仅使用噪声图像进行训练可以以增加比特率为代价产生相同水平的质量。其他的方法--只使用干净的图像进行训练,使用干净和有噪声的图像进行训练,以及从强大的去噪器中提取知识--在干净的图像上表现良好。输入图像已在darktable软件中使用(除其他方法外)非局部均值[11]轮廓去噪进行处理。2448引用[1] 特色 图片 在维基共享资源上。https://commons.wikimedia.org/wiki/Category:Featured_pictures_on_Wikimedia_Commons. 访问时间:2020-04-03。[2] 学 习 图 像 压 缩 的 挑 战 。 http : //clic.compression.cc/2021/tasks,2020年。[3] Abdelrahman Abdelhamed,Stephen Lin,and Michael S.布朗智能手机摄像头的高质量去噪数据集。2018年IEEE/CVF计算机视觉和模式识别会议,第1692-1700页[4] 约翰内斯·巴尔·莱。有损图像压缩的有效非线性变换在2018年图片编码研讨会(PCS),2018年。[5] 约翰内斯·鲍尔、瓦莱罗·拉帕拉和埃罗·西蒙切利。端到端优化的图像压缩。在第五届国际会议上学习表示,ICLR 2017,土伦,法国,2017年4月。[6] 约 翰 内 斯 Ba lle' , Da vidMinnen , SaurabhSingh ,SungJinHwang和Nick Johnston。基于尺度超先验的变分图像压缩。在2018年的学习代表国际会议[7] 约柴·布劳和托莫·麦克利。感知失真的权衡。在IEEE计算机视觉和模式识别会议论文集,2018年6月。[8] Benoit Brummer和Christophe De Vleeschouwer。自然图像噪声数据集。2019年IEEE/CVF计算机视觉和模式识别研讨会(CVPRW),第1777-1784页[9] Benoit Brummer和Christophe De Vleeschouwer。端到端优化的图像压缩与先验分布的竞争。在IEEE/CVF计算机视觉和模式识别会议(CVPR)研讨会论文集,第1890-1894页[10] 诉Bruni和D.维图拉诺利用小波结合影像压缩图像通信,22(1):86[11] A. 布阿德斯湾Coll和J.. 莫瑞尔一种非局部图像去噪算法在2005年IEEE计算机协会计算机视觉和模式识别会议(CVPR'05),第2卷,第60-65页。2,2005年6月。[12] 蔡浩明,何静文,乔小雨,朝东。为了实现真实感图像的交互调制。2021 IEEE/CVF计算机视觉和模式识别研讨会(CVPRW),第294-303页,2021年。[13] S.G.昌湾,澳-地Yu和M.维特利基于有损压缩和小波阈值 的 图 像 去 噪 。 在 Proceedings of InternationalConference on Image Processing,第1卷,第604-607页,第[14] Chen Chen,Qifeng Chen,Jia Xu,and Vladlen Koltun.学会在黑暗中看东西。在IEEE计算机视觉和模式识别会议(CVPR)中,第3291-3300页[15] Kostadin Dabov、Alessandro Foi、Vladimir Katkovnik和Karen Egiazarian。基于块匹配的图像去噪3D滤波Proceedings of SPIE-The International Society forOptical Engineering,6064:354[16] Geoffrey Hinton Oriol Vinyals和Jeffrey Dean在神经网络中提取知识。在NIPS深度学习和表示学习研讨会,2015年。[17] Mark A.克莱默 用自联想神经网络进行非线性主成分分析。AIChE Journal,37(2):233[18] Yao Li,Xueyang Fu,and Zheng-Jun Zha.用于图像去噪的交叉补丁图卷积网络在IEEE/CVF计算机视觉国际会议(ICCV)的会议记录中,第4651-4660页[19] 作者:Michael T.伦道夫·库斯曼Moses和Joshua N.灰高光谱图像中信号相关噪声的建模与估计应用选择,50(21):3829[20] TobiasP lótz和Ste f anRoth。用真实照片对去噪算法进行基准测试2017年IEEE/CVF计算机视觉和模式识别研讨会(CVPR),第2750-2759页[21] Olaf Ronneberger,Philipp Fischer,and Thomas Brox.U-网:用于生物医学图像分割的卷积网络。放大图片作者 : Nassir Navab , Joachim Hornegger , WilliamM.Wells 和 Alejandro F.Frangi , editors , Medical ImageComputing and Computer-Assisted Intervention施普林格国际出版社.[22] Sachin Ruikar博士和Dharmpal Doye。小波变换图像去噪。2010年国际机电技术会议,第509[23] Michela Testolina、Evgeniy Upenik和Touradj Ebrahimi。基于学习压缩的潜空间图像去噪研究在安德鲁G。Tescher和Touradj Ebrahimi,编辑,数字图像处理的应用XLIV,第11842卷,第412国际光学与光子学学会,SPIE,2021。[24] 作者:Zhou Wang,Eero P. Simoncelli和Alan C.波维克多尺度结构相似性图像质量评价。在The Thrity-SeventhAsilomar Conference on Signals , Systems Computers ,2003,第2卷,第1398-1402页Vol.2,2003年11月。
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- C++标准程序库:权威指南
- Java解惑:奇数判断误区与改进方法
- C++编程必读:20种设计模式详解与实战
- LM3S8962微控制器数据手册
- 51单片机C语言实战教程:从入门到精通
- Spring3.0权威指南:JavaEE6实战
- Win32多线程程序设计详解
- Lucene2.9.1开发全攻略:从环境配置到索引创建
- 内存虚拟硬盘技术:提升电脑速度的秘密武器
- Java操作数据库:保存与显示图片到数据库及页面
- ISO14001:2004环境管理体系要求详解
- ShopExV4.8二次开发详解
- 企业形象与产品推广一站式网站建设技术方案揭秘
- Shopex二次开发:触发器与控制器重定向技术详解
- FPGA开发实战指南:创新设计与进阶技巧
- ShopExV4.8二次开发入门:解决升级问题与功能扩展
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功