当前位置: 游戏平台 > 互联网科技 > 正文

【图像复原】SSDA论文详解(Image Denoising and Inpainting with Deep Neural Networks )

时间:2020-01-24 04:45来源:互联网科技
论文原文: 2015 深度学习、自编码器、低照度图像增强 Lore, Kin Gwn, Adedotun Akintayo, and Soumik Sarkar. "LLNet: A DeepAutoencoder Approach to Natural Low-light Image Enhancement." arXivpreprint arXiv:1511.03995 (2015).

论文原文:

2015
深度学习、自编码器、低照度图像增强
Lore, Kin Gwn, Adedotun Akintayo, and Soumik Sarkar. "LLNet: A Deep Autoencoder Approach to Natural Low-light Image Enhancement." arXiv preprint arXiv:1511.03995 (2015).
利用深度学习的自编码器方法训练不同低照度图像信号的特征来实现自适应变亮和去噪,主要是通过非线性暗化和添加高斯噪声的方法来模拟低照度环境,进行图像对比度增强和去噪。

TensorFlow上实践基于自编码的One Class Learning

论文主要介绍了一种解决盲图像去噪和图像复原问题的新方法SSDA(叠加稀疏去噪自动编码器,Stacked Sparse Denoising Auto-encoders),它将稀疏编码深度网络训练结合起来,不仅可以处理像素随机丢失式的简单噪声,还可以处理叠加文本类型的复杂模式。

2014
深度学习、深度卷积神经网络、图像去卷积
Xu, Li, et al. "Deep convolutional neural network for image deconvolution."Advances in Neural Information Processing Systems.

异常检测算法--Isolation Forest

http://euler.stat.yale.edu/~tba3/stat665/lectures/lec17/notebook17.html

https://blog.keras.io/building-autoencoders-in-keras.html


图像去噪两种最常见的方法:

  1. 利用深度卷积神经网络进行图像去卷积,实现图像复原,优点:相比于当前其他方法,有更好的PSNR值和视觉效果。

FraudDetection

  1. 将图像信号转换到复域,使得更容易将噪声分离出来。
  2. 直接从图像域中捕获统计信息。稀疏编码方法从完备字典的稀疏线性组合中重建图像,字典是从数据中学习的,而不是人工编造的,这一学习步骤显着地提高了稀疏编码的性能。

2014
深度学习、稀疏编码、自编码器、图像去噪
Li, HuiMing. "Deep Learning for Image Denoising." International Journal of Signal Processing, Image Processing and Pattern Recognition 7.3 (2014): 171-180.
利用稀疏编码(sparsecoding)与自编码器(Auto-encoder)两种方法结合来实现图像去噪,不足之处是只对图像进行处理,没有涉及视频。

FraudDetection

编辑:互联网科技 本文来源:【图像复原】SSDA论文详解(Image Denoising and Inpainting with Deep Neural Networks )

关键词:

  • 上一篇:没有了
  • 下一篇:没有了