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。 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. 2014.
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。
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。
2014
深度学习、rectified linear函数、深度神经⽹络、图像去噪
Wu, Yangwei, Haohua Zhao, and Liqing Zhang. "Image Denoising with Rectified Linear Units." Neural Information Processing. Springer International Publishing, 2014.
利⽤rectified linear (Re L) 函数代替sigmoid 函数作为深度神经⽹络的隐藏层的激活函数，来实现图像去噪；利⽤随机梯度下降的⽅法训练含噪图像和⽆噪图像来估计神经⽹络的参数；优点：和sigmoid函数作为激活函数的深度神经⽹络相⽐，能得到更好的去噪效果和更快的收敛速度。
2013
深度学习、堆叠式稀疏去噪⾃编码器SSDAs、深度神经⽹络DNN、图像去噪
Agostinelli, Forest, Michael R. Anderson, and Honglak Lee. "Robust image denoising with multi-column deep neural networks." Advances in Neural Information Processing Systems. 2013.
利⽤改进的堆叠式稀疏去噪⾃编码器(Stacked sparse denoising autoencoders (SSDAs))，通过组合多个SSDAs，求解⼀个⾮线性优化⽅程计算每个SSDAs的最优权重，同时训练单独的⽹络去预测最优权重，实现视频去噪。优点：解决了SSDAs只能处理训练集中出现的噪声，这种⽅法可以处理训练集未出现的噪声类型。
2012稀疏编码
深度学习、多层感知器、图像去噪
Burger, Harold C., Christian J. Schuler, and Stefan Harmeling. "Image denoising: Can plain Neural Networks compete with BM3D?."
Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on. IEEE, 2012.
利⽤普通的多层感知器plain multi layer perceptron(MLP)实现图像去噪。
2012
深度学习、稀疏编码、去噪⾃编码器、图像去噪
Xie, Junyuan, Linli Xu, and Enhong Chen. "Image denoising and inpainting with deep neural networks." Advances in Neural Information Processing Systems. 2012.
将稀疏编码（sparse coding）与去噪⾃编码器(denoising auto-encoders)预训练的深度神经⽹络相结合进⾏图像去噪，噪声类型：⾼斯⽩噪声的灰度图像，但是稍微扩展下也可以处理彩⾊图，优点：⽐线性稀疏编码去除⾼斯⽩噪声的效果要好，不⾜之处：⾮常依赖有监督的训练，只能除去训练集中出现的噪声。
2012
深度学习、多层感知器、图像去噪
Burger, Harold Christopher, Christian J. Schuler, and Stefan Harmeling. "Image denoising with multi-layer perceptrons, part 1: comparison with existing algorithms and with bounds." arXiv preprint arXiv:1211.1544 (2012).
利⽤多层感知器Multi-layer perceptions(MLP) 的⽅法实现图像去噪，噪声类型：This approach is easily adapted to less extensively studied types of noise, such as mixed Poisson-Gaussian noise, JPEG artifacts, salt-and-pepper noise and noise resembling stripes.
2010
深度学习、堆叠式去噪⾃编码器、图像去噪
Vincent, Pascal, et al. "Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion." The Journal of Machine Learning Research 11 (2010): 3371-3408.
利⽤堆叠式去噪⾃编码器（SDA）的⽅法进⾏图像去噪，堆叠式⾃编码器这种⽅法是深度学习中构建深度架构的重要⽅法之⼀。当训练出⼀个⾃编码器后，就可以在此基础上通过将第⼀个⾃编码器的输出作为第⼆个⾃编码器的输⼊继续训练出⼀个新的⾃编码器。这样继续训练下去就可以得到⼀个多层的堆叠式⾃编码器（Stacked Autoencoders）。
2009
深度学习、卷积⽹络、图像去噪
Jain, Viren, and Sebastian Seung. "Natural image denoising with convolutional networks." Advances in Neural Information Processing Systems. 2009.
利⽤卷积⽹络实现⾃然图像去噪。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议