摘要
托马斯·阿尔特（Thomas Alt）、克劳斯·施拉德（Klaus Schrader）、马提亚斯·奥古斯丁（Matthias Augustin）、保罗·彼得（Paul Peter）和约阿希姆·威克特（Joachim Weickert）。 2023.偏微分方程数值算法与神经网络之间的联系。 数学成像与视觉杂志65，1（2023），185-208。 https://doi.org/10.1007/s10851-022-01106-x Epub 2022年6月24日。 谷歌学者 
数字图书馆 
Gilles Aubert和Jean-François Aujol。 2006.消除倍增噪声的变化方法。 https://api.semanticscholar.org/CorpusID:14973650 谷歌学者 弗朗辛·卡特（Francine Catté）、皮埃尔·卢伊斯（Pierre-Louis Lions）、吉安·米歇尔·莫雷尔（Jean-Michel Morel）和托梅乌·科尔（Tomeu Coll）。 1992年，图像选择性平滑和非线性扩散边缘检测。 SIAM J.数字。 分析。 29, 1 (1992), 182–193. http://www.jstor.org/stable/2158083 谷歌学者 数字图书馆 杰罗姆·达邦（Jéróme Darbon）、阿米特·查克拉波蒂（Amit Chakraborty）和托尼·F·。 陈。 2008年，总变差的内嵌卷积（ICTV）去噪和分解。 SIAM成像科学期刊1，3（2008），294–321。 https://doi.org/10.1137/080732674 谷歌学者 交叉引用 
Joan Duran、Bartomeu Coll和Catalina Sbert。 2013年，Chambolle的投影算法用于总变差去噪。 图像处理在线3（2013），311–331。 https://doi.org/10.5201/ipol.2013.61。 谷歌学者 交叉引用 帕斯卡·盖特勒。 2012.Rudin-Osher-Fatemi总变差去噪（使用分裂Bregman）。 图像处理在线2（2012年5月），74-95。 https://doi.org/10.5201/ipol.2012.g-tvd 谷歌学者 交叉引用 盖·吉尔博亚和斯坦利·奥舍。 2008.图像处理应用的非局部算子。 多尺度建模与仿真7（2008年1月），1005–1028。 https://doi.org/10.1137/070698592 谷歌学者 交叉引用 何开明、张湘玉、任少清、孙建军。 2016.图像识别的深度剩余学习。 770–778. https://doi.org/10.109/CVPR.2016.90 谷歌学者 交叉引用 方丽、沈朝敏和凌皮。 2006.一种新的基于扩散的图像去噪和分割变分模型。 数学成像与视觉杂志26,1（2006年11月），115-125。 https://doi.org/10.1007/s10851-006-8303-2 谷歌学者 数字图书馆 Stéphane Mallat和Z Zhang。 1993.信号处理。 IEEE汇刊41（1993），3397–3415。 谷歌学者 数字图书馆 P.Perona和J.Malik。 1990。使用各向异性扩散的尺度空间和边缘检测。 IEEE模式分析和机器智能汇刊12，7（1990），629–639。 https://doi.org/10.1109/34.56205 谷歌学者 数字图书馆 列奥尼德一世。 鲁丁、斯坦利·奥舍和埃马德·法特米。 1992年。基于非线性总变差的噪声去除算法。 《物理学D：非线性现象》60，1（1992），259-268。 https://doi.org/10.1016/0167-2789 （92）90242-F 谷歌学者 数字图书馆 史建波（Jianbo Shi）和马利克（Jitendra Malik）。 2002.标准化切割和图像分割。 IEEE模式分析和机器智能汇刊22（2002年5月）。 https://doi.org/10.109/34.868688 谷歌学者 数字图书馆 石克汉和郭志昌。 2023.使用灰度指示器的高斯去噪器去除非高斯噪声。 数学成像与视觉杂志（2023年5月），1-17。 https://doi.org/10.1007/s10851-023-01148-9 谷歌学者 数字图书馆 尤利友（Yu li You）、徐文元（Wenyuan Xu）、阿伦·坦尼鲍姆（Allen Tannenbaum）和莫斯塔法·卡维（Mostafa Kaveh）。 1996。图像处理中各向异性扩散的行为分析。 图像处理，IEEE汇刊5（12 1996），1539–1553。 https://doi.org/10.109/83.541424 谷歌学者 数字图书馆
建议
识别最佳高斯滤波器去除高斯噪声 NCVPRIPG’11：2011年第三届全国计算机视觉、模式识别、图像处理和图形会议论文集 在本文中，我们证明了污染信号的噪声统计知识可以有效地用于选择最优高斯滤波器来消除噪声。 特别地，我们表明，加性高斯白噪声（AWGN）污染了一个。。。 用级联算法去除高密度噪声 ACCT’15：2015年第五届先进计算与通信技术国际会议记录 提出了一种先进的非线性级联滤波算法，用于去除数字图像中的高密度椒盐噪声。 该方法分为两个阶段。 第一阶段决策基中值滤波器（DMF）是一种新的滤波算法。。。
