×

图像去噪的深度学习:概述。 (英语) Zbl 1475.68324号

摘要:深度学习技术在图像去噪领域受到了广泛关注。然而,在处理图像去噪的各种类型的深度学习方法中存在着很大的差异。具体来说,基于深度学习的判别学习可以很好地解决高斯噪声问题。基于深度学习的优化模型在估计真实噪声方面是有效的。然而,到目前为止,很少有相关研究来总结用于图像去噪的不同深度学习技术。在本文中,我们对图像去噪的深层技术进行了比较研究。我们首先对加性白噪声图像的深度卷积神经网络进行分类;真实噪声图像的深度CNN;用于盲去噪的深度细胞神经网络和用于混合噪声图像的深度细胞神经网络,其表示噪声、模糊和低分辨率图像的组合。然后,我们分析了不同类型的深度学习方法的动机和原则。接下来,我们从定量和定性分析的角度比较了公共数据集去噪的最新方法。最后,我们指出了一些潜在的挑战和未来的研究方向。

MSC公司:

2017年10月68日 人工神经网络与深度学习
94A08型 信息与通信理论中的图像处理(压缩、重建等)
PDF格式BibTeX公司 XML格式引用

参考文献:

[1] M.阿巴迪。;巴勒姆,P。;陈,J。;陈,Z。;A.戴维斯。;Dean,J.,Tensorflow:大型机器学习系统,(第十二届操作系统设计与实现研讨会(2016)),265-283
[2] 阿巴斯。;莫纳杰米,A。;方,L。;拉巴尼,H。;张勇,通过多输入全卷积网络进行三维光学相干层析图像去噪,生物与医学中的计算机,108,1-8(2019)
[3] Abdelhamed,A。;Lin,S。;Brown,M.S.,智能手机摄像头的高质量去噪数据集,(IEEE计算机视觉和模式识别会议论文集(2018)),1692-1700
[4] 阿比科,R。;Ikehara,M.,通过单个cnn对混合高斯脉冲噪声进行盲去噪,(ICASSP 2019-2019 IEEE声学、语音和信号处理国际会议(ICASPS)(2019),IEEE),1717-1721
[5] ABSoft,N.,整洁形象(2017)
[6] 亚哈龙,M。;Elad,M。;Bruckstein,A.,K-svd:设计稀疏表示超完备字典的算法,IEEE信号处理学报,54,11,4311-4322(2006)·Zbl 1375.94040号
[7] Ahn,B。;Cho,N.I.,用于图像去噪的块匹配卷积神经网络(2017),arXiv预印本arXiv:1704.00524
[8] Ahn,B。;Kim,Y。;帕克·G。;Cho,N.I.,块匹配卷积神经网络(bmcnn):通过块匹配输入改进基于cnn的去噪,(2018亚洲太平洋信号和信息处理协会年度峰会和会议(APSIPA ASC)(2018),IEEE),516-525
[9] Aittala,M.和Durand,F.(2018年)。使用置换不变卷积神经网络对突发图像进行去模糊。《欧洲计算机视觉会议论文集》(第731-747页)。
[10] Aljadaany,R。;Pal,D.K。;Savvides,M.,《图像恢复的近距离分裂网络》(2019),arXiv预印本arXiv:1903.07154
[11] Anwar,S。;Barnes,N.,具有特征注意力的真实图像去噪(2019),arXiv预印本arXiv:1904.07396
[12] Anwar,S。;Huynh,C.P。;Porikli,F.,图像去噪的连锁身份映射模块(2017),arXiv预印本arXiv:1712.02933
[13] Bae,W.、Yoo,J.和Chul Ye,J..(2017)。除了用于图像恢复的深度残差学习:持久同源引导流形简化。IEEE计算机视觉和模式识别研讨会会议记录(第145-153页)。
[14] 巴科,S。;Vogels,T。;McWilliams,B。;梅耶,M。;J.诺瓦克。;Harvill,A.,用于蒙特卡罗渲染去噪的核预测卷积网络,ACM图形交易,36,4,97(2017)
[15] 贝迪尼,L。;Tonazzini,A.,神经网络在最大熵图像恢复中的应用,图像和视觉计算,8,2108-114(1990)
[16] 贝迪尼,L。;Tonazzini,A.,《保存不连续性的图像恢复:贝叶斯方法和神经网络》,图像和视觉计算,10,2,108-118(1992)
[17] Y.本吉奥。;兰姆林,P。;波波维奇,D。;Larochelle,H.,深度网络的贪婪分层训练,(神经信息处理系统的进展(2007)),153-160
[18] Bergstra,J.、Breuleux,O.、Bastien,F.、Lamblin,P.、Pascanu,R.和Desjardins,G.等人(2010年)。Theano:一个cpu和gpu数学表达式编译器。《科学计算会议蟒蛇会议录》(SciPy),德克萨斯州奥斯汀第4卷。
[19] Bernstein,R.,同时去除图像中不同类型噪声的自适应非线性滤波器,IEEE电路与系统学报,34,11,1275-1291(1987)
[20] 比格德利,S.A。;Zwicker,M.,《使用自动编码优先级恢复图像》(2017),arXiv预打印arXiv:1703.09964
[21] 比格德利,S.A。;Zwicker,M。;法瓦罗,P。;Jin,M.,图像恢复的深度均值漂移先验,(神经信息处理系统进展(2017)),763-772
[22] Bottou,L.,随机梯度下降的大尺度机器学习,(2010年《COMPSTAT学报》,Springer),177-186·Zbl 1436.68293号
[23] 布罗德斯,C。;Krull,A。;Weigert,M。;施密特,美国。;Myers,G.,《用自导盲点网络消除结构噪声》,(2020年IEEE第17届国际生物医学成像研讨会(2020年),IEEE),159-163
[24] Brooks,T.、Mildenhall,B.、Xue,T.,Chen,J.、Sharlet,D.和Barron,J.T.(2019年)。未处理图像以进行学习后的原始去噪。在IEEE关于计算机视觉和模式识别的会议记录中(第11036-11045页)。
[25] 汉堡包,H.C。;舒勒,C.J。;Harmeling,S.,《图像去噪:普通神经网络能与bm3d竞争吗?》?,(2012年IEEE计算机视觉和模式识别会议(2012),IEEE),2392-2399
[26] 曹琦。;沈,L。;谢伟。;O.M.帕基。;Zisserman,A.,Vggface2:跨姿势和年龄识别人脸的数据集,(2018年IEEE第13届自动人脸和手势识别国际会议(FG 2018)(2018),IEEE),67-74
[27] Cha,S。;帕克,T。;Moon,T.,Gan2gan:生成性噪声学习用于单噪声图像的盲图像去噪(2019),arXiv预印本arXiv:1905.10488
[28] Chang,Y。;Yan,L。;方,H。;钟,S。;Liao,W.,Hsi-denet:通过卷积神经网络恢复高光谱图像,IEEE地球科学与遥感汇刊,57,2,667-682(2018)
[29] Chen,J.、Chen,J、Chao,H和Yang,M(2018)。基于生成对抗性网络的噪声建模的图像盲去噪。IEEE计算机视觉和模式识别会议记录(第3155-3164页)。
[30] 陈,J。;Hou,J。;Chau,L.-P.,在cnn框架中通过各向异性视差分析进行光场去噪,IEEE信号处理快报,25,9,1403-1407(2018)
[31] 陈,Y。;Pock,T.,《可训练非线性反应扩散:快速有效图像恢复的灵活框架》,IEEE模式分析与机器智能汇刊,39,6,1256-1272(2016)
[32] 陈,X。;宋,L。;Yang,X.,Deep rnns for video去噪,(数字图像处理应用三十九,卷9971(2016),国际光学与光子学学会),99711T
[33] Chen,C.,Xiong,Z.,Tian,X.,&Wu,F.(2018)。深度增强图像去噪。《欧洲计算机视觉会议论文集》(第3-18页)。
[34] 陈,C。;Xu,Z.,基于卷积神经网络和多尺度残差学习方法的航空图像去噪,Information,9,7,169(2018)
[35] 陈,Y。;Yu,M。;江,G。;彭,Z。;Chen,F.,基于双网络级联模型的端到端单图像增强,视觉通信与图像表示杂志,61284-295(2019)
[36] 陈,X。;詹,S。;纪,D。;徐,L。;吴,C。;Li,X.,基于边缘增强的深度网络图像去噪,环境智能与人性化计算杂志,1-11(2018)
[37] Chetlur,S。;Woolley,C。;Vandermersch,P。;科恩,J。;Tran,J。;Catanzaro,B.,Cudnn:深度学习的高效原语(2014),arXiv预印本arXiv:1410.0759
[38] 蒋永伟。;Sullivan,B.,使用神经网络的多帧图像恢复,(第32届中西部电路和系统研讨会论文集,(1989年),IEEE),744-747
[39] Cho,S.I.公司。;Kang,S.-J.,基于可分离卷积优化特征维数的梯度先验cnn去噪器,IEEE多媒体汇刊,21,2,484-493(2018)
[40] Choi,K。;瓦尼亚,M。;Kim,S.,利用分层深度生成对抗性网络(hd-gan)进行低剂量ct图像恢复的半监督学习,(2019年第41届IEEE医学与生物学会工程国际年会(EMBC)(2019),IEEE),2683-2686
[41] Cholet,F.,Keras(2015年)
[42] 服装设计师,R。;佩罗,G。;Salomon,M.,《使用带跳跃连接的深度编码器-解码器网络进行图像去噪》,(神经信息处理国际会议(2018年),斯普林格),554-565
[43] 克鲁兹,C。;Foi,A。;Katkovnik,V。;Egiazarian,K.,用于图像去噪的非局部增强卷积神经网络,IEEE信号处理快报,25,8,1216-1220(2018)
[44] 崔,J。;龚,K。;郭,N。;吴,C。;X孟。;Kim,K.,《使用无监督深度学习进行宠物图像去噪》,《欧洲核医学和分子成像杂志》,46,13,2780-2789(2019)
[45] Dabov,K。;Foi,A。;Katkovnik,V。;Egiazarian,K.,稀疏三维变换域协同滤波的图像去噪,IEEE图像处理汇刊,16,8,2080-2095(2007)
[46] 戴维,A。;Ehret,T。;莫雷尔,J.-M。;阿里亚斯,P。;Facciolo,G.,cnn的非局部视频去噪(2018),arXiv预印本arXiv:1811.12758
[47] Dong,W。;张,L。;Shi,G。;Li,X.,用于图像恢复的非局部集中稀疏表示,IEEE图像处理汇刊,22,4,1620-1630(2012)·Zbl 1373.94104号
[48] 杜,H。;Dong,L。;刘,M。;Zhao,Y。;贾伟。;Liu,X.,波前编码成像系统中基于深度卷积网络的图像恢复,(2018数字图像计算:技术与应用(DICTA)(2018),IEEE),1-8
[49] 杜,B。;魏,Q。;Liu,R.,用于端元提取的改进量子粒子群优化,IEEE地球科学与遥感汇刊(2019)
[50] Duan,C。;崔,L。;陈,X。;魏,F。;朱,C。;赵涛,自然语言推理的注意模糊深度匹配网络。,(IJCAI(2018)),4033-4040
[51] Ehret,T.、Davy,A.、Morel,J.-M.、Facciolo,G.和Arias,P.(2019年)。通过帧到帧训练进行模型盲视频去噪。IEEE计算机视觉和模式识别会议记录(第11369-11378页)。
[52] Elad,M。;Aharon,M.,通过学习词典的稀疏和冗余表示进行图像去噪,IEEE图像处理汇刊,15,12,3736-3745(2006)
[53] Fan,E.,《扩展tanh-function方法及其在非线性方程中的应用》,《物理快报》。A、 277、4-5、212-218(2000)·Zbl 1167.35331号
[54] 法鲁克,M.A。;Rohankar,J.S.,《关于各种噪声和彩色图像去噪技术的调查》,《国际工程与管理应用或创新期刊》(IJAIEM),2,11,217-221(2013)
[55] 德菲格雷多,M.T。;Leitao,J.M.,使用神经网络进行图像恢复,([论文集]ICASPSP-92:1992 IEEE声学、语音和信号处理国际会议,第2卷(1992),IEEE),409-412
[56] Franzen,R.,柯达无损真彩色图像套件(1999),来源:http://r0k.us/graphics/kodak4
[57] Fu,B。;X.赵。;李毅。;王,X。;Ren,Y.,一种用于椒盐噪声的卷积神经网络去噪方法,多媒体工具与应用,78,21,30707-30721(2019)
[58] Fukushima,K.,Neocognitron:不受位置变化影响的模式识别机制的自组织神经网络模型,生物控制论,36,4,193-202(1980)·Zbl 0419.92009号
[59] 日本福岛。;Miyake,S.,Neocognitron:视觉模式识别机制的自组织神经网络模型,(神经网络中的竞争与合作(1982),Springer),267-285
[60] 加德纳,E。;华莱士,D。;斯特劳德,N.,《噪声训练和神经网络模型中相关模式的存储》,《物理杂志a:数学与一般》,2019年12月22日(1989)
[61] Gashi,D。;佩雷拉,M。;Vterkovska,V.,通过扩展卷积机器学习进行多尺度上下文聚合项目(2017年)
[62] Gholizadeh-Ansari,M。;Alirezaie,J。;Babyn,P.,扩张残差网络低剂量ct去噪,(2018年第40届IEEE医学与生物学会工程国际年会(EMBC)(2018),IEEE),5117-5120
[63] Godard,C.、Matzen,K.和Uyttendaele,M.(2018年)。深度突发去噪。《欧洲计算机视觉会议论文集》(第538-554页)。
[64] Gondara,L。;Wang,K.,使用去噪自动编码器恢复后续信息的损失,(2017 IEEE大数据国际会议(2017),IEEE),1936-1945
[65] 龚,D。;张,Z。;石青(Shi,Q.)。;亨格尔,A.v.d。;沈,C。;Zhang,Y.,Learning a optimizer for image deconvolution(学习图像反褶积优化器)(2018),arXiv预打印arXiv:1804.03368
[66] 格林,M。;马龙,E.M。;科南,E。;北卡罗来纳州基里亚蒂。;Mayer,A.,学习超低剂量肺部ct去噪的真实噪音,(医学成像中基于补丁的技术国际研讨会(2018),Springer),3-11
[67] Greenhill,D。;Davies,E.,神经网络对图像噪声抑制的相对有效性,(机器智能和模式识别,第16卷(1994),Elsevier),367-378
[68] Gu,S.,Zhang,L.,Zuo,W.,&Feng,X.(2014)。加权核范数最小化及其在图像去噪中的应用。IEEE计算机视觉和模式识别会议记录(第2862-2869页)。
[69] 关,J。;赖,R。;Xiong,A.,用于去除条纹噪声的小波深度神经网络,IEEE Access,744544-44554(2019)
[70] 郭,Z。;孙,Y。;Jian,M。;Zhang,X.,用于图像恢复的稀疏反馈深度残差网络,应用科学,8,12,2417(2018)
[71] Guo,S.、Yan,Z.、Zhang,K.、Zuo,W.和Zhang、L.(2019年)。真实照片的卷积盲去噪。在IEEE关于计算机视觉和模式识别的会议记录中(第1712-1722页)。
[72] 韩,Y。;Ye,J.C.,《通过深度卷积框架构建u-net:稀疏视图ct的应用》,IEEE医学成像汇刊,37,6,1418-1429(2018)
[73] He,J。;Dong,C。;乔毅,利用动态可控残差学习进行图像恢复的多维调制(2019),arXiv预印本arXiv:1912.05293
[74] He,K.,Zhang,X.,Ren,S.,&Sun,J.(2016)。用于图像识别的深度残差学习。《IEEE计算机视觉和模式识别会议论文集》(第770-778页)。
[75] 赫克尔,R。;黄,W。;Hand,P。;Voroninski,V.,深度神经网络的速率最优去噪(2018),arXiv预印本arXiv:1805.08855
[76] 海因里希,M.P。;斯蒂尔,M。;Buzug,T.M.,用于低剂量ct去噪的残余u-net卷积神经网络结构,生物医学工程的当前方向,4,1,297-300(2018)
[77] 亨德里克森,A.A。;佩尔特,D.M。;Batenburg,K.J.,Noise2inverse:成像中线性逆问题的自监督深度卷积去噪(2020),arXiv预印本arXiv:20011.1801
[78] 辛顿,G。;Osindero,S.,The,y.2006年。深度信任网的快速学习算法,神经计算,18,7(2006)·Zbl 1106.68094号
[79] 辛顿,G.E。;Salakhutdinov,R.R.,《用神经网络降低数据的维数》,《科学》,3135786504-507(2006)·Zbl 1226.68083号
[80] Hirose,Y。;Yamashita,K。;Hijiya,S.,改变隐藏单元数量的反向传播算法,神经网络,4,1,61-66(1991)
[81] S.-W.洪。;Bao,P.,基于非自适应和自适应正则化的边缘保持子带编码模型,图像与视觉计算,18,8,573-582(2000)
[82] M.洪强。;希平,M。;岳磊,X。;Z.Mingming,《基于深度校正去噪自动编码器的自适应图像去噪方法》,《物理学杂志:会议系列》,1060,1,第012048页,(2018),IOP出版社
[83] Hore,A。;Ziou,D.,图像质量度量:psnr vs.ssim,(2010年第20届模式识别国际会议(2010),IEEE),2366-2369
[84] 徐,C.-C。;Lin,C.-W.,基于Cnn的大规模图像数据联合聚类和表示学习及特征漂移补偿,IEEE多媒体汇刊,20,2,421-429(2017)
[85] Hu,G.,Yang,Y.,Yi,D.,Kittler,J.,Christmas,W.,&Li,S.Z.等人(2015)。当人脸识别遇到深度学习时:对用于人脸识别的卷积神经网络的评估。IEEE计算机视觉研讨会国际会议记录(第142-150页)。
[86] Huang,T.,二维递归滤波器的稳定性(二维递归滤波器稳定性问题的数学模型)(1971)
[87] Ioffe,S.,《批量重整化:减少批量归一化模型中的微批量依赖性》(《神经信息处理系统进展》(2017)),1945-1953
[88] 洛夫,S。;Szegedy,C.,《批量规范化:通过减少内部协变量偏移来加速深层网络训练》(2015),arXiv预印本arXiv:1502.03167
[89] Isogawa,K。;艾达,T。;Shiodera,T。;Takeguchi,T.,自适应降噪的深度收缩卷积神经网络,IEEE信号处理快报,25,2,224-228(2017)
[90] Jaroensri,R。;比斯卡拉,C。;艾塔拉,M。;Durand,F.,通过摄像头管道模拟生成用于去除真实RGB图像噪声的训练数据(2019年),arXiv预打印arXiv:1904.08825
[91] 贾勒特,K。;Kavukcuoglu,K。;兰扎托,M。;LeCun,Y.,什么是对象识别的最佳多级架构?,(2009年IEEE第12届计算机视觉国际会议(2009),IEEE),2146-2153
[92] Jeon,W。;Jeong,W。;儿子,K。;Yang,H.,使用多尺度卷积神经网络降低数字全息图像的斑点噪声,《光学快报》,43,17,4240-4243(2018)
[93] 贾,X。;Chai,H。;郭毅。;黄,Y。;赵,B.,用于图像去噪的多尺度并行特征提取卷积神经网络,电子成像杂志,27,6,文章063031 pp.(2018)
[94] Jia,X.,Liu,S.,Feng,X.和Zhang,L.(2019)。FOCNet:用于图像去噪的分数最优控制网络。IEEE计算机视觉和模式识别会议记录(第6054-6063页)。
[95] 贾毅。;谢尔哈默,E。;Donahue,J。;卡拉耶夫,S。;Long,J。;Girshick,R.,Caffe:快速特征嵌入的卷积架构,(第22届ACM多媒体国际会议论文集(2014),ACM),675-678
[96] 简·W。;赵,H。;Bai,Z。;Fan,X.,基于全卷积神经网络的微光遥感图像增强算法,(中国高分辨率地球观测会议(2018),Springer),56-65
[97] 江,D。;Dou,W。;Vosters,L。;Xu,X。;孙,Y。;Tan,T.,利用卷积神经网络的多通道剩余学习对三维磁共振图像进行去噪,日本放射学杂志,36,9,566-574(2018)
[98] 江,L。;Jing,Y。;胡,S。;Ge,B。;Xiao,W.,对称路径中自然低光图像增强的深度细化网络,Symmetry,10,10,491(2018)
[99] 焦,J。;图,W.C。;He,S。;Lau,R.W.,Formresnet:图像恢复的格式化残差学习,(IEEE计算机视觉和模式识别研讨会会议记录(2017)),38-46
[100] 吉法拉,W。;江,F。;Rho,S。;Cheng,M。;Liu,S.,利用卷积神经网络进行医学图像去噪:一种残差学习方法,《超级计算杂志》,75,2,704-718(2019)
[101] Jin,K.H。;麦肯,M.T。;弗鲁斯特,E。;Unser,M.,成像逆问题的深度卷积神经网络,IEEE图像处理汇刊,26,9,4509-4522(2017)·Zbl 1409.94275号
[102] Kadimesetty,V.S。;Gutta,S。;Ganapathy,S。;Yalavarthy,P.K.,基于卷积神经网络的低剂量CT灌注图稳健去噪,IEEE放射与血浆医学科学汇刊,3,2,137-152(2018)
[103] 卡利克,B。;Olgac,A.V.,《神经网络广义mlp架构中各种激活函数的性能分析》,《国际人工智能与专家系统杂志》,1,4,111-122(2011)
[104] Khan,S。;Khan,K.S。;Shin,S.Y.,利用深度cnn的残差学习实现高阶m-QAM符号去噪,(2019年IEEE第16届消费者通信与网络年会(CCNC)(2019),IEEE),1-6
[105] 考,H.Y。;很快,F.C。;Chuah,J.H。;Chow,C.-O.,利用卷积神经网络和主成分分析进行图像噪声类型识别,IET图像处理,11,12,1238-1245(2017)
[106] 科鲁沙迪,M。;Sadegh,M.,《通过图像去噪技术增强低剂量计算机断层成像:小波和深度学习》(2018年),ProQuest论文出版社,(博士论文)
[107] Kokkinos,F。;Lefkimmiatis,S.,使用剩余去噪网络的迭代联合图像去噪,IEEE图像处理汇刊(2019)·Zbl 07122970号
[108] Krizhevsky,A。;Sutskever,I。;Hinton,G.E.,用深度卷积神经网络进行Imagenet分类,(神经信息处理系统进展(2012)),1097-1105
[109] 库兹纳,C。;帕尔,S。;Fechner,M。;Esztermann,A。;de Groot,B.L。;Grubmüller,H.,《为你的钱做更多好事:2018年(2019年)GROMACS改进GPU节点的使用》,arXiv预打印arXiv:1903.05918
[110] 拉蒂夫,G。;Iskandar,D.A。;Alghazo,J。;巴特,M。;Khan,A.H.,利用分水岭变换对基于深度cnn的mr图像去噪进行肿瘤分割,国际工程技术杂志,7,2.3,37-42(2018)
[111] Lebrun先生。;科罗姆,M。;Morel,J.-M.,《噪声诊所:盲图像去噪算法》,《在线图像处理》,第5期,第1-54页(2015年)
[112] LeCun,Y。;博图,L。;本吉奥,Y。;Haffner,P.,《基于梯度的学习应用于文档识别》,IEEE会议记录,86,11,2278-2324(1998)
[113] Lee,C.-C。;de Gyvez,J.P.,细胞神经网络环境中的彩色图像处理,IEEE神经网络汇刊,7,5,1086-1098(1996)
[114] Lee,D.,Yun,S.,Choi,S..,Yoo,H.,Yang,M.-H.,&Oh,S.(2018年)。基于关键局部补丁的无监督整体图像生成。《欧洲计算机视觉会议论文集》(第19-35页)。
[115] Lefkimmiatis,S.(2017年)。基于卷积神经网络的非局部彩色图像去噪。IEEE计算机视觉和模式识别会议记录(第3587-3596页)。
[116] 雷,Y。;袁伟。;Wang,H。;Y.Wenhu。;Bo,W.,基于堆叠自动编码器的皮肤分割算法,IEEE多媒体交易,19,4,740-749(2016)
[117] 李强。;蔡,W。;王,X。;周,Y。;冯,D.D。;Chen,M.,卷积神经网络医学图像分类,(2014年第13届控制自动化机器人与视觉国际会议(ICARCV)(2014),IEEE),844-848
[118] 李,X。;杜,B。;徐,C。;Zhang,Y。;张,L。;Tao,D.,《不完全特权信息下的稳健学习》,《人工智能》,第282页,第103246条,pp.(2020)·Zbl 1432.68393号
[119] 李,S。;He,F。;杜,B。;张,L。;Xu,Y。;Tao,D.,视频超分辨率快速时空残差网络(2019),arXiv预印arXiv:1904.02870
[120] 李,M。;徐伟。;谢,X。;丛,J。;Gao,W.,Sacnn:使用自我监督感知损失网络进行低剂量ct去噪的自我注意卷积神经网络,IEEE医学成像学报(2020年)
[121] 李,J。;李,M。;卢,G。;张,B。;尹,H。;Zhang,D.,用于跨模式检索的相似性和多样性诱导配对投影,信息科学(2020)·Zbl 1474.68259号
[122] Li,X.,Liu,M.,Ye,Y.,Zuo,W.,Lin,L.,&Yang,R.(2018)。学习盲人面部修复的扭曲指导。《欧洲计算机视觉会议论文集》(第272-289页)。
[123] 李,J。;卢,G。;张,B。;你,J。;Zhang,D.,基于共享线性编码器的视觉分类多核高斯过程潜在变量模型,IEEE控制论汇刊(2019)
[124] Li,Z。;Wu,J.,学习深度图像修复的深度cnn去噪先验知识,应用科学,9,6,1103(2019)
[125] 李,L。;吴杰。;Jin,X.,基于小波域的医学图像Cnn去噪,(2018年第九届国际医学教育信息技术会议(ITME)(2018),IEEE),105-109
[126] 李,H。;杨伟(Yang,W.)。;Yong,X.,深入学习地面噪声衰减,(SEG技术项目扩展摘要2018(2018),勘探地球物理学家学会),1981-1985
[127] 李,J。;张,B。;Zhang,D.,用于视觉分类的共享自动编码器高斯过程潜在变量模型,IEEE神经网络和学习系统汇刊,29,9,4272-4286(2017)
[128] 梁,J。;Liu,R.,叠加去噪自动编码器和丢包一起防止深度神经网络中的过拟合,(2015年第八届国际图像和信号处理大会(CISP)(2015),IEEE),697-701
[129] X·梁。;张,D。;卢,G。;郭,Z。;Luo,N.,《用于高速非接触式手掌识别的新型多摄像机系统》,IEEE系统、人与控制论汇刊:系统(2019)
[130] 林,M。;陈,Q。;Yan,S.,《网络中的网络》(2013),arXiv预印本arXiv:1312.4400
[131] Lin,K.,Li,T.H.,Liu,S.,&Li,G.(2019年)。真实照片的去噪与噪声域自适应和专注的生成对抗网络。摘自IEEE计算机视觉和模式识别研讨会会议记录(第0-0页)。
[132] Litjens,G.等人。;Kooi,T。;Bejnordi,B.E。;塞提奥,A.A.A。;Ciompi,F。;Ghafoorian,M.,《医学图像分析深度学习调查》,医学图像分析,42,60-88(2017)
[133] 刘,P。;Fang,R.,《基于学习像素分布先验的宽推理网络图像去噪》(2017),arXiv预印本arXiv:1707.05414
[134] 刘伟。;Lee,J.,用于高光谱图像去噪的三维atrous卷积神经网络,IEEE地球科学与遥感汇刊(2019年)
[135] 刘,P。;李毅。;医学博士El Basha。;Fang,R.,使用快速遗传算法进行医学图像去噪的神经网络进化,(医学图像计算和计算机辅助干预国际会议(2018),Springer),12-20
[136] 刘,Q。;卢,X。;何,Z。;张,C。;Chen,W.S.,用于热红外目标跟踪的深度卷积神经网络,基于知识的系统,134189-198(2017)
[137] Liu,X.、Suganuma,M.、Sun,Z.和Okatani,T.(2019年)。双剩余网络利用成对操作的潜力进行图像恢复。在IEEE关于计算机视觉和模式识别的会议记录中(第7007-7016页)。
[138] 刘,D。;温,B。;刘,X。;王,Z。;Huang,T.S.,《当图像去噪满足高级视觉任务时:深度学习方法》(2017),arXiv预印本arXiv:1706.04284
[139] Liu,P.,Zhang,H.,Zharg,K.,Lin,L.,&Zuo,W.(2018)。用于图像恢复的多级小波神经网络。IEEE计算机视觉和模式识别研讨会会议记录(第773-782页)。
[140] Lo,S.-C。;卢,S.-L。;林,J.-S。;弗里德曼,M.T。;Chien,M.V。;Mun,S.K.,人工卷积神经网络技术及其在肺结节检测中的应用,IEEE医学成像学报,14,4,711-718(1995)
[141] Loo Tiang Kuan,L.,使用不同结构和不同标签的深度神经网络盲去噪综述(2017),(博士论文)
[142] 卢,Y。;赖,Z。;李,X。;Wong,W.K。;袁,C。;Zhang,D.,用于增强鲁棒图像表示的低秩二维邻域保持投影,IEEE控制论汇刊,49,5,1859-1872(2018)
[143] 卢,Y。;Wong,W。;赖,Z。;Li,X.,鲁棒灵活保持嵌入。,IEEE控制论汇刊(2019年)
[144] 卢,Z。;Yu,Z。;Ya-Li,P。;Shi-Gang,L。;小军,W。;Gang,L.,《通过扩展残差网络实现快速单图像超分辨率》,IEEE Access(2018)
[145] 卢卡斯,A。;伊利亚迪斯,M。;莫利纳,R。;Katsaggelos,A.K.,《使用深层神经网络解决成像中的逆问题:超越分析方法》,IEEE信号处理杂志,35,1,20-36(2018)
[146] 马云(Ma,Y.)。;陈,X。;朱伟。;Cheng,X。;Xiang,D。;Shi,F.,基于边缘敏感cgan的光学相干断层扫描图像中的斑点噪声降低,生物医学光学快报,9,11,5129-5146(2018)
[147] 马凯(Ma,K.)。;段木,Z。;吴琼。;王,Z。;Yong,H。;Li,H.,滑铁卢勘探数据库:图像质量评估模型的新挑战,IEEE图像处理汇刊,26,2,1004-1016(2016)·Zbl 1409.94431号
[148] Mafi,M。;马丁·H。;卡布雷佐,M。;Andrian,J。;巴雷托,A。;Adjouadi,M.,《数字图像脉冲和高斯去噪滤波器的综合调查》,《信号处理》(2018年)
[149] Mairal,J。;巴赫,F.R。;彭斯,J。;萨皮罗,G。;Zisserman,A.,图像恢复的非局部稀疏模型。,(ICCV,第29卷(2009),Citeser),54-62
[150] Majumdar,A.,盲去噪自动编码器,IEEE神经网络和学习系统汇刊,30,11312-317(2018)
[151] 毛,X。;沈,C。;Yang,Y.-B.,使用具有对称跳跃连接的深度卷积编解码网络进行图像恢复,(神经信息处理系统进展(2016)),2802-2810
[152] 马林奇,T。;斯里尼瓦桑,V。;圭尔,S。;Hellge,C。;Samek,W.,用于突发图像去噪的多核预测网络,(2019年IEEE图像处理国际会议(ICIP)(2019),IEEE),2404-2408
[153] 马雷罗斯,A.C。;Daunizeau,J。;Kiebel,S.J。;Friston,K.J.,《人口动力学:方差和乙状结肠激活功能》,《神经影像》,42,1,147-157(2008)
[154] McCann,M.T。;Jin,K.H。;Unser,M.,《成像逆问题的卷积神经网络:综述》,IEEE Signal Processing Magazine,34,6,85-95(2017)
[155] Meinhardt,T.、Moller,M.、Hazirbas,C.和Cremers,D.(2017年)。学习近端算子:使用去噪网络来正则化逆成像问题。IEEE计算机视觉国际会议论文集(第1781-1790页)。
[156] 孟,M。;李,S。;姚,L。;李,D。;朱,M。;Gao,Q.,用于低剂量ct图像重建的半监督学习正弦图恢复网络,(医学成像2020:医学成像物理,第11312卷(2020),国际光学与光子学学会),113120B
[157] Mildenhall,B.、Barron,J.T.、Chen,J.、Sharlet,D.、Ng,R.和Carroll,R.(2018年)。基于核预测网络的突发信号去噪。IEEE计算机视觉和模式识别会议记录(第2502-2510页)。
[158] Nair,V.和Hinton,G.E.(2010年)。整流线性单元改善了受限的玻尔兹曼机器。《第27届国际机器学习会议论文集》(ICML-10)(第807-814页)。
[159] Nam,S.、Hwang,Y.、Matsushita,Y.和Joo Kim,S..(2016)。一种跨通道图像噪声建模的整体方法及其在图像去噪中的应用。《IEEE计算机视觉和模式识别会议论文集》(第1683-1691页)。
[160] Nossek,J。;Roska,T.,《细胞神经网络专题——介绍》(1993年)
[161] Nvidia,C.,Nvidiacuda C编程指南,Nvidia Corporation,120,18,8(2011)
[162] Osher,S。;汉堡,M。;Goldfarb,D。;徐,J。;Yin,W.,基于全变量图像恢复的迭代正则化方法,多尺度建模与仿真,4,2,460-489(2005)·1090.94003赞比亚比索
[163] Paik,J.K。;Katsaggelos,A.K.,使用改进的hopfield网络进行图像恢复,IEEE图像处理汇刊,1,149-63(1992)
[164] 熊猫,A。;纳斯卡,R。;Pal,S.,用于数字图像去噪的指数线性单位扩张残差网络,电子成像杂志,27,5,文章053024 pp.(2018)
[165] 帕尔达萨尼,R。;Shreemali,U.,《使用深度卷积网络残差学习的图像去噪和超分辨率》(2018),arXiv预印本arXiv:1809.08229
[166] Park,J.H。;Kim,J.H。;Cho,S.I.,图像去噪的cnn结构分析,(2018国际SoC设计会议(ISOCC)(2018),IEEE),220-221
[167] Paszke,A。;毛重,S。;钦塔拉,S。;Chanan,G。;杨,E。;DeVito,Z.,《pytorch中的自动区分》(2017)
[168] 彭,Y。;张,L。;刘,S。;吴,X。;Zhang,Y。;Wang,X.,用于图像去噪的对称跳跃连接扩张残差网络,神经计算,34567-76(2019)
[169] 皮塔斯,I。;Venetsanopoulos,A.,图像处理中的非线性均值滤波器,IEEE声学、语音和信号处理汇刊,34,3,573-584(1986)
[170] Plotz,T.和Roth,S.(2017年)。用真实照片对去噪算法进行基准测试。IEEE计算机视觉和模式识别会议记录(第1586-1595页)。
[171] Priyanka,S.A。;Wang,Y.-K.,用于有效图像去噪的全对称卷积网络,应用科学,9,4778(2019)
[172] Radford,A。;梅茨,L。;Chintala,S.,《深度卷积生成对抗网络的无监督表征学习》(2015),arXiv预印本arXiv:1511.06434
[173] Ran,M。;胡,J。;陈,Y。;陈,H。;孙,H。;Zhou,J.,使用残差编码器-解码器对三维磁共振图像进行去噪wasserstein生成对抗网络,医学图像分析,55,165-180(2019)
[174] 雷米兹,T。;Litany,O。;Giryes,R。;Bronstein,A.M.,类软件完全卷积高斯和泊松去噪,IEEE图像处理汇刊,27,11,5707-5722(2018)·Zbl 1409.94508号
[175] Ren,W。;刘,S。;马,L。;徐,Q。;Xu,X。;Cao,X.,通过深度混合网络进行微光图像增强,IEEE图像处理汇刊,28,9,4364-4375(2019)·Zbl 07122984号
[176] Ren,W。;潘,J。;张,H。;曹,X。;Yang,M.-H.,基于整体边缘的多尺度卷积神经网络的单图像去噪,国际计算机视觉杂志,128,1,240-259(2020)
[177] Ren,D。;Shang,W。;朱,P。;胡,Q。;孟,D。;Zuo,W.,使用双边递归网络进行单图像去噪,IEEE图像处理汇刊(2020)·Zbl 07586367号
[178] Ren,D.,Zuo,W.,Hu,Q.,Zhu,P.,&Meng,D.(2019年)。渐进式图像去噪网络:更好、更简单的基线。IEEE计算机视觉和模式识别会议记录(第3937-3946页)。
[179] Ren,D。;左,W。;张,D。;张,L。;Yang,M.-H.,图像恢复的同时保真度和正则化学习,IEEE模式分析和机器智能汇刊(2019)
[180] de Ridder,D。;Duin,R.P。;Verbeek,P.W。;Van Vliet,L.,神经网络在非线性图像处理中的应用,模式分析与应用,2,2,111-128(1999)
[181] 罗斯,S。;Black,M.J.,《专家领域:学习图像先验的框架》,(2005年IEEE计算机学会计算机视觉和模式识别会议(CVPR'05),第2卷(2005年),Citeseer),860-867
[182] Sadda,P。;Qarni,T.,《实时医学视频去噪与深度学习:在血管造影中的应用》,《国际应用信息系统杂志》,2018年第12、13、22期
[183] Schmidhuber,J.,《神经网络中的深度学习:概述》,神经网络,61,85-117(2015)
[184] Schmidt,U.和Roth,S.(2014)。用于有效图像恢复的收缩场。《IEEE计算机视觉和模式识别会议论文集》(第2774-2781页)。
[185] Shantia,A。;Timmers,R。;斯科梅克,L。;Wiering,M.,《在三维模拟环境中通过去噪自动编码器和半监督学习进行室内定位》,(2015年神经网络国际联合会议(IJCNN)(2015),IEEE),1-7
[186] O.Sheremet。;谢列米特,K。;Sadovoi,O。;Sokhina,Y.,信息通信系统中图像去噪的卷积神经网络,(2018年信息通信科学与实践国际会议问题。科学与技术(PIC S&T)(2018),IEEE),429-432
[187] Shwartz-Ziv,R。;Tishby,N.,《通过信息打开深度神经网络的黑匣子》(2017),arXiv预印本arXiv:1703.00810
[188] Si,X。;袁毅,基于深度卷积神经网络残差学习的随机噪声衰减,(SEG技术计划扩展摘要2018(2018),勘探地球物理学家学会),1986-1990
[189] Simonyan,K。;Zisserman,A.,《用于大规模图像识别的极深卷积网络》(2014),arXiv预印本arXiv:1409.1556
[190] Sivakumar,K。;Desai,U.B.,使用多层感知器和多级S形函数进行图像恢复,IEEE信号处理汇刊,41,52018-2022(1993)·Zbl 0775.68031号
[191] Soltanayev,S。;Chun,S.Y.,《在没有地面真实数据的情况下训练基于深度学习的去噪器》,(神经信息处理系统进展(2018)),3257-3267
[192] Song,Y。;Zhu,Y。;Du,X.,用于图像去噪的动态剩余稠密网络,Sensors,19,17,3809(2019)
[193] 斯通,J.E。;戈哈拉,D。;Shi,G.,Opencl:异构计算系统的并行编程标准,科学与工程计算,12,3,66(2010)
[194] 苏,Y。;Lian,Q。;张,X。;Shi,B。;Fan,X.,用于泊松去噪的多尺度交叉路径级联残差网络,IET图像处理(2019)
[195] 太阳,X。;Kottayil,N.K。;穆克吉,S。;Cheng,I.,通过特征匹配增强双阶段图像去噪的对抗训练,(智能多媒体国际会议(2018),Springer),357-366
[196] Szegedy,C.、Liu,W.、Jia,Y.、Sermanet,P.、Reed,S.和Anguelov,D.等人(2015)。用卷积深入。IEEE计算机视觉和模式识别会议记录(第1-9页)。
[197] Tai,Y.、Yang,J.、Liu,X.和Xu,C.(2017)。Memnet:用于图像恢复的持久存储网络。在IEEE计算机视觉国际会议论文集(第4539-4547页)。
[198] Tamura,S.,《降噪神经网络分析》,(声学、语音和信号处理国际会议,(1989年),IEEE),2001-2004年
[199] Tan,H。;Xiao,H。;Lai,S。;刘,Y。;Zhang,M.,用于突发噪声去噪的深度残差学习,(2019 IEEE第四届图像、视觉和计算国际会议(ICIVC)(2019),IEEE),156-161
[200] Tao,L。;朱,C。;宋,J。;卢·T。;贾,H。;Xie,X.,使用cnn和明亮通道优先的微光图像增强,(2017 IEEE图像处理国际会议(ICIP)(2017),IEEE),3215-3219
[201] Tao,L。;朱,C。;向,G。;李毅。;贾,H。;Xie,X.,Llcnn:用于微光图像增强的卷积神经网络,(2017 IEEE视觉通信和图像处理(VCIP)(2017),IEEE),1-4
[202] 塔萨诺,M。;Delon,J。;Veit,T.,ffdnet图像去噪方法的分析与实现,图像处理在线,9,1-25(2019)
[203] 塔萨诺,M。;Delon,J。;Veit,T.,Dvdnet:深度视频去噪的快速网络,(2019 IEEE国际图像处理会议(ICIP)(2019),IEEE),1805-1809
[204] 田,C。;Xu,Y。;费,L。;Wang,J。;Wen,J。;Luo,N.,用于图像去噪的增强cnn,CAAI智能技术汇刊,4,1,17-23(2019)
[205] 田,C。;Xu,Y。;费,L。;Yan,K.,图像去噪的深度学习:一项调查,(遗传和进化计算国际会议(2018),Springer),563-572
[206] 田,C。;Xu,Y。;Li,Z。;左,W。;费,L。;Liu,H.,图像去噪的注意力引导神经网络,神经网络(2020)
[207] 田,C。;Xu,Y。;Zuo,W.,基于批重正化的深度cnn图像去噪,神经网络,121,461-473(2020)
[208] 田,C。;Xu,Y。;左,W。;杜,B。;林,C.-W。;Zhang,D.,用于图像去噪的双cnn的设计与训练(2020),arXiv预印本arXiv:2007.03951
[209] 田,C。;Xu,Y。;左,W。;张,B。;费,L。;Lin,C.-W.,图像超分辨率的粗到细cnn,IEEE多媒体汇刊(2020)
[210] 田,C。;诸葛,R。;吴,Z。;Xu,Y。;左,W。;Chen,C.,增强cnn的轻量级图像超分辨率,基于知识的系统,106235(2020)
[211] Tran,L.、Yin,X.和Liu,X.(2017)。用于位置不变人脸识别的非纠缠表示学习gan。IEEE计算机视觉和模式识别会议记录(第1415-1424页)。
[212] 特里帕蒂,S。;利普顿,Z.C。;Nguyen,T.Q.,《投影校正:用生成性对抗网络去噪图像》(2018),arXiv预印本arXiv:1803.04477
[213] 内田,K。;田中,M。;Okutomi,M.,基于卷积神经网络的非盲图像恢复,(2018 IEEE第七届消费电子全球会议(GCCE)(2018),IEEE),40-44
[214] Vedaldi,A。;Lenc,K.,Matconvnet:用于matlab的卷积神经网络,(第23届ACM多媒体国际会议论文集(2015),ACM),689-692
[215] 沃格尔,C。;Pock,T.,低水平视觉问题的原始-双重网络,(德国模式识别会议(2017),施普林格),189-202
[216] 王,X。;戴,F。;马云(Ma,Y.)。;郭杰。;赵(Q.Zhao)。;Zhang,Y.,用于彩色图像去噪的近红外图像引导神经网络,(ICASSP 2019-2019 IEEE声学、语音和信号处理国际会议(ICASSS)(2019),IEEE),3807-3811
[217] Wang,T。;秦,Z。;Zhu,M.,用于图像去噪的全变差ELU网络,(神经信息处理国际会议(2017),Springer),227-237
[218] Wang,T。;Sun,M。;胡凯,用于图像去噪的扩展深度残差网络,(2017 IEEE第29届人工智能工具国际会议(2017),IEEE),1272-1279
[219] Wang,H.,Wang,Q.,Gao,M.,Li,P.,&Zuo,W.(2018)。用于对象检测的多尺度位置感知内核表示。IEEE计算机视觉和模式识别会议记录(第1248-1257页)。
[220] 王,C。;周,S.K。;Cheng,Z.,《先图像后视频:时空视频去噪的两阶段网络》(2020),arXiv预印本arXiv:2001.00346
[221] 魏杰。;夏,Y。;Zhang,Y.,M3net:用于脑磁共振图像分割的多模型、多尺寸和多视角深度神经网络,模式识别,91,366-378(2019)
[222] Wen,J。;Xu,Y。;Liu,H.,带自适应图学习的不完全多视图谱聚类,IEEE控制论汇刊,50,4,1418-1429(2020)
[223] Wen,J。;张,Z。;张,Z。;费,L。;Wang,M.,具有灵活局部结构扩散的广义不完全多视图聚类,IEEE控制论汇刊(2020)
[224] 吴博士。;Ren,H。;Li,Q.,基于深度神经网络的自监督动态ct灌注图像去噪(2020),arXiv预打印arXiv:2005.09766
[225] Wu,S。;Xu,Y.,Dsn:用于对象检测的新型可变形子网,IEEE视频技术电路和系统汇刊(2019)
[226] 夏,Z。;佩拉齐,F。;加尔比,M。;Sunkavalli,K。;Chakrabarti,A.,《大核有效突发去噪的基础预测网络》(2019),arXiv预印本arXiv:1912.04421
[227] 肖,P。;郭毅。;庄,P.,通过深度卷积网络去除红外云图中的条纹噪声,IEEE光子杂志,10,4,1-14(2018)
[228] Xiao,X。;Xiong,N.N。;赖,J。;王,C.-D。;孙,Z。;Yan,J.,随机值脉冲噪声检测系统的局部一致性指数方案,IEEE系统、人与控制论汇刊:系统(2019)
[229] 谢伟。;李毅。;Jia,X.,用于精确频谱空间去噪的残差学习深度卷积网络,神经计算,312372-381(2018)
[230] 徐,J。;李,H。;梁,Z。;张,D。;Zhang,L.,现实世界噪声图像去噪:一个新的基准(2018),arXiv预印本arXiv:1804.02603
[231] Xu,X。;李,M。;Sun,W.,《学习图像和视频去噪的可变形核》(2019),arXiv预印本arXiv:1904.06903
[232] 徐,Q。;张,C。;Zhang,L.,去噪卷积神经网络,(2015 IEEE信息与自动化国际会议(2015),IEEE),1184-1187
[233] Xu,J.、Zhang,L.和Zhang and D.(2018b)。一种用于实际图像去噪的三边加权稀疏编码方案。《欧洲计算机视觉会议论文集》(第20-36页)。
[234] 徐,J。;张,L。;Zhang,D.,外部先验引导内部先验学习在真实世界噪声图像去噪中的应用,IEEE图像处理汇刊,27,6,2996-2010(2018)·Zbl 1409.94688号
[235] Xu,J.,Zhang,L.,Zuo,W.,Zhanng,D.,&Feng,X.(2015)。基于块组的非局部自相似先验学习用于图像去噪。IEEE计算机视觉国际会议论文集(第244-252页)。
[236] Yan,H。;Tan,V。;杨伟(Yang,W.)。;Feng,J.,用自洽gan进行无监督图像噪声建模(2019),arXiv预印本arXiv:1906.05762
[237] 杨,J。;朱,D。;张,L。;Xu,Y。;Yang,J.,稀疏表示分类器指导判别投影在人脸识别中的应用,IEEE神经网络和学习系统汇刊,24,7,1023-1035(2013)
[238] 杨,J。;刘,X。;宋,X。;Li,K.,使用多列卷积神经网络估计信号相关噪声级函数,(2017 IEEE图像处理国际会议(ICIP)(2017),IEEE),2418-2422
[239] Yang,D。;Sun,J.,Bm3d-net:用于变换域协同滤波的卷积神经网络,IEEE信号处理快报,25,1,55-59(2017)
[240] 杨,J。;张,L。;Xu,Y。;Yang,J.-y.,超越稀疏性:l1-优化器在模式分类中的作用,模式识别,45,3,1104-1118(2012)·Zbl 1227.68102号
[241] Yao,Y.、Wu,X.、Zhang,L.、Shan,S.和Zuo,W.(2018)。基于相关滤波器跟踪的联合表示和截断推理学习。《欧洲计算机视觉会议论文集》(第552-567页)。
[242] Ye,J.C。;韩,Y。;Cha,E.,深度卷积框架:反问题的一般深度学习框架,SIAM成像科学杂志,11,2,991-1048(2018)·Zbl 1401.94024号
[243] Yeh,R.A。;Lim,T.Y。;陈,C。;Schwing,A.G。;长谷川·约翰逊,M。;Do,M.,深度生成模型图像恢复,(2018 IEEE声学、语音和信号处理国际会议(ICASSP)(2018),IEEE),6772-6776
[244] Yi,D。;雷,Z。;Liao,S。;Li,S.Z.,《从头开始学习面部表情》(2014),arXiv预印本arXiv:1411.7923
[245] Yu,A。;刘,X。;魏,X。;Fu,T。;Liu,D.,用于光学相干层析成像图像去噪的密集连接生成对抗网络,(2018年第11届国际图像和信号处理大会,生物医学工程与信息学(CISP-BMEI)(2018),IEEE),1-5
[246] 于斯。;马,J。;Wang,W.,深度学习去噪,地球物理学,84,6,V333-V350(2019)
[247] 袁博士。;风扇,N。;He,Z.,视觉对象跟踪的学习目标聚焦卷积回归模型,基于知识的系统,文章105526 pp.(2020)
[248] 袁博士。;李,X。;何,Z。;刘,Q。;Lu,S.,自适应结构卷积网络视觉目标跟踪,基于知识的系统,第105554页,(2020)
[249] Yuan,Y.,Liu,S.,Zhang,J.,Zheng,Y.、Dong,C.和Lin,L.(2018)。使用循环中循环生成对抗网络的无监督图像超分辨率。IEEE计算机视觉和模式识别研讨会会议记录(第701-710页)。
[250] 袁,Q。;张,Q。;李,J。;沈,H。;Zhang,L.,利用空间谱深残差卷积神经网络进行高光谱图像去噪,IEEE地球科学与遥感汇刊,57,2,1205-1218(2018)
[251] 岳,Z。;Yong,H。;赵(Q.Zhao)。;孟,D。;张磊,变分去噪网络:盲噪声建模与去除,(神经信息处理系统进展(2019)),1688-1699
[252] Zamparelli,M.,遗传训练细胞神经网络,神经网络,10,6,1143-1151(1997)
[253] Zarshenas,A。;铃木,K.,用于自然图像去噪的深度神经网络卷积,(2018 IEEE系统、人与控制论(SMC)国际会议(2018),IEEE),2534-2539
[254] 查,Z。;袁,X。;Yue,T。;Zhou,J.,从秩估计到秩近似:图像去噪的秩残差约束(2018),arXiv预印本arXiv:1807.02504
[255] 张,Z。;盖革,J。;Pohjalainen,J。;穆萨,A.E.-D。;金·W。;Schuller,B.,《环境稳健语音识别的深度学习:最新发展概述》,《ACM智能系统与技术交易》(TIST),9,5,49(2018)
[256] Zhang,J.和Ghanem,B.(2018年)。ISTA-Net:用于图像压缩传感的可解释的优化激励深层网络。《IEEE计算机视觉和模式识别会议论文集》(第1828-1837页)。
[257] 张,B。;Jin,S。;夏,Y。;黄,Y。;Xiong,Z.,用于突发图像去噪的注意机制增强核预测网络,(ICASSP 2020-2020 IEEE声学、语音和信号处理国际会议(ICASPS)(2020),IEEE),2083-2087
[258] 张,F。;刘,D。;王,X。;Chen,W。;Wang,W.,基于深度剩余网络的地震数据随机噪声衰减方法,(国际地球物理会议,2018年4月24日至27日,中国北京,勘探地球物理学家学会和中国石油学会),1774-1777
[259] 张,Z。;Wang,L。;Kai,A。;山田,T。;李伟(Li,W.)。;Iwahashi,M.,基于深度神经网络的瓶颈特征和基于去噪自动编码器的去噪,用于远距离说话人识别,EURASIP音频、语音和音乐处理杂志,2015,1,12(2015)
[260] 张,L。;吴,X。;Buades,A。;Li,X.,通过局部方向插值和非局部自适应阈值进行颜色去噪,电子成像杂志,20,2,第023016页,(2011)
[261] 张,M。;张,F。;刘,Q。;Wang,S.,Vst-net:基于方差稳定变换的泊松去噪神经网络,《视觉传达与图像表征杂志》,第62期,第12-22页(2019年)
[262] 张,L。;张,L。;牟某。;Zhang,D.,Fsim:图像质量评估的特征相似性指数,IEEE图像处理汇刊,20,8,2378-2386(2011)·Zbl 1373.62333号
[263] 张,L。;Zuo,W.,《图像恢复:从稀疏和低阶先验到深层先验》(Image restorion:From sparse and low rank priors to deep priors),IEEE Signal Processing Magazine,34,5,172-179(2017)
[264] 张凯。;左,W。;陈,Y。;孟,D。;Zhang,L.,Beyond a gaussian去噪器:用于图像去噪的深度cnn残差学习,IEEE Transactions on image Processing,26,7,3142-3155(2017)·Zbl 1409.94754号
[265] 张凯。;左,W。;顾S。;Zhang,L.,在图像恢复之前学习深度cnn去噪,(IEEE计算机视觉和模式识别会议论文集(2017)),3929-3938
[266] 张凯。;左,W。;Zhang,L.,Ffdnet:基于cnn的图像去噪的快速灵活解决方案,IEEE图像处理汇刊,27,9,4608-4622(2018)
[267] Zhang,K.、Zuo,W.和Zhang L.(2018b)。学习用于多个退化的单个卷积超分辨率网络。IEEE计算机视觉和模式识别会议记录(第3262-3271页)。
[268] Zhang,K.、Zuo,W.和Zhang,L.(2019)。用于任意模糊内核的深度即插即用超分辨率解决方案。IEEE计算机视觉和模式识别会议记录(第1671-1681页)。
[269] 赵,D。;马,L。;李,S。;Yu,D.,使用递归全卷积网络对暗突发图像进行端到端去噪(2019),arXiv预印本arXiv:1904.07483
[270] Zhao,H.、Shao,W.、Bao,B.和Li,H.(2019)。一种简单且鲁棒的深度卷积盲图像去噪方法。IEEE计算机视觉研讨会国际会议论文集(第0-0页)。
[271] 郑毅。;Duan,H。;唐,X。;王,C。;周,J.,《黑暗中的去噪:基于隐私保护的深度神经网络图像去噪》,IEEE可靠与安全计算汇刊(2019)
[272] Q.志平。;袁琦,Z。;Yi,S。;香波,L.,一种用于纹理保持图像去噪的新型生成对抗网络,(2018年第八届图像处理理论、工具和应用国际会议(IPTA)(2018),IEEE),1-5
[273] Zhou,Y.、Chellappa,R.和Jenkins,B.(1987)。基于神经网络的图像恢复新方法。加利福尼亚州圣地亚哥神经网络国际会议论文集。
[274] 佐兰,D。;Weiss,Y.,从自然图像补丁学习模型到整体图像恢复,(2011年计算机视觉国际会议(2011),IEEE),479-486
[275] 左,W。;张,L。;宋,C。;张,D。;Gao,H.,用于纹理增强图像去噪的梯度直方图估计和保存,IEEE图像处理汇刊,23,6,2459-2472(2014)·兹比尔1374.94484
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。