近三年降噪论文整理

最新推荐文章于 2025-05-31 13:24:07 发布
最新推荐文章于 2025-05-31 13:24:07 发布
阅读量3.4k 收藏 53
点赞数 8
CC 4.0 BY-SA版权
分类专栏： 图像降噪 图像降噪
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_27871973/article/details/96884653
这篇博客整理了近年来在图像和视频降噪领域的深度学习方法，包括Unprocessing Images for Learned Raw Denoising、CBDnet、DIDN等论文，并提供了相应的代码链接和项目主页，覆盖从单帧到多帧、从图像到视频的降噪技术。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、近两年图像降噪比较好的论文

论文主要是面向真实噪声图像去噪，raw 或 sRGB，方法单帧、多帧。会持续更新，也会写一些论文的阅读分析和复现。

1、Unprocessing Images for Learned Raw Denoising（CVPR2019）

论文链接：https://arxiv.org/abs/1811.11127

项目链接：http://timothybrooks.com/tech/unprocessing/

 

2、Toward Convolutional Blind Denoising of Real Photographs （CBDnet）

论文链接：https://arxiv.org/abs/1807.04686

代码链接：https://github.com/GuoShi28/CBDNet

 

3、Deep Iterative Down-Up CNN for Image Denoising （DIDN）

论文链接：

最低0.47元/天 解锁文章

200万优质内容无限畅学
室内定位论文整理-20240911期
程序员石磊
09-15 2142
本文提出的新算法为改进基于PDR系统的室内定位能力提供了创新解决方案。结合谱减法和维纳滤波技术，实现了在动态室内环境下的信号优化处理，提升了定位准确度与鲁棒性。未来研究将聚焦于扩大算法应用范围、整合其他传感器数据及探索其在不同室内场景的可能性。MULT - Wearable Mechanical Upper Limbs Tracker for Teleoperation 的研发旨在增强人类与机器人的交互，并提供了一种适用于远程操作场景的创新解决方案。
Diffusion Models专栏文章汇总：入门与实战
热门推荐
沉迷单车的追风少年
02-21 3万+
《DiffusionModels与深度学习》专栏文章导航
论文研究-结合双边滤波和多帧均值滤波的图像降噪.pdf
09-10
提出了基于背景重建的运动目标分割改进算法。首先使用多帧差获得初次的背景和前景分离，使用前后多帧差重合部分的合并作为当前帧的运动对象，并通过形态膨胀操作消除二值模板中的空洞，得到该帧的并不精确的初次运动目标掩膜。通过掩膜获得稳定的累积背景。通过得到的背景差和帧间差相结合制定判断原则，获得精确的运动目标掩膜，从而对运动目标进行分割。实验表明该算法对于较大面积的运动目标，或者当摄像机拍摄方向与目标运动方向一致的情形下都可以得到较准确的效果。
基于FxLMS、切比雪夫滤波器算法的主动降噪研究与比较附Matlab代码
最新发布
qq_72962865的博客
05-31 610
本论文围绕 FxLMS 算法与切比雪夫滤波器算法在主动降噪中的应用展开深入研究。详细阐述两种算法的基本原理，从降噪性能、收敛速度、计算复杂度等多个方面对其进行系统比较。通过搭建主动降噪实验系统，模拟不同噪声环境，对两种算法的实际降噪效果进行测试与分析。研究结果表明，两种算法在主动降噪中各具优势，为实际工程中根据不同场景需求选择合适的主动降噪算法提供了理论依据和实践指导。关键词主动降噪；FxLMS 算法；切比雪夫滤波器算法；降噪性能；收敛速度；计算复杂度一、引言。
语音降噪论文“A Hybrid Approach for Speech Enhancement ...“的研读
谈谈音频开发
05-16 1312
最近认真的研读了一篇关于语音降噪的论文（A Hybrid Approach for Speech Enhancement Using MoG Model and Neural Network Phoneme Classifier）。它是一种利用混合模型降噪的方法，即既利用了生成模型（MoG高斯模型），也利用了判别模型（神经网络NN模型）。本文根据自己的理解对原理做了梳理。 论文是基于“Speech Enhancement Using a Mixture-Maximum Model”提出的MixMAX.
图像降噪论文
Freedom_sky_的博客
07-06 886
图像降噪
图像视频去噪论文Learning Deformable Kernels for Image and Video Denoising阅读笔记
import_torch_as_tf
10-12 1835
论文链接：1904.06903.pdf (arxiv.org) 论文来源：TIP2020 作者：商汤 Abstract 大多数经典的去噪方法都是通过选择和平均噪声输入中的像素来恢复清晰的结果。我们建议使用深层神经网络明确地学习这个过程，而不是依赖手工制作的选择和平均策略。具体来说，我们提出了可变形二维核用于图像去噪，其中采样位置和核权重都是学习的。该核能够自然地适应图像结构，并能有效地减少过平滑伪影。此外，我们还开发了用于视频去噪的三维可变形核，以便在时空空间中更有效地采样像素。我们的方法能够解决动
【读点论文】Visual Text Meets Low-level Vision: A Comprehensive Survey on Visual Text Processing
白水空空
08-01 691
视觉文本是文档和场景图像中的关键元素，在计算机视觉领域具有重要意义并引起了广泛关注。除了视觉文本检测和识别之外，视觉文本处理领域的研究也经历了激增，这得益于基础生成模型的出现。然而，由于文本具有区别于一般对象的独特属性和特征，因此挑战依然存在。正如我们在研究中观察到的那样，有效利用这些独特的文本特征对于视觉文本处理至关重要。在本次调查中，我们对该领域的最新进展进行了全面的多视角分析。首先，我们引入了一个分层分类法，涵盖了从文本图像增强和恢复到文本图像处理等领域，然后是不同的学习范式。随后，我们深入讨论了..
每天一篇自然语言处理论文：202004
will680的博客
04-03 1347
0401 Unidirectional Neural Network Architectures for End-to-End Automatic Speech Recognition 用于端到端流式语音识别的单向LSTM模型结构分析 1 端到端ASR模型中，以往的语音识别模块结构变成了单一的神经网络，这要求模型能处理更长的上下文信息，目前，双向LSTM(BiLSTM)已经在这方面取得了相当好的...
CVPR 2021 论文大盘点-图像去噪篇
OpenCV中文网
09-21 5025
关注公众号，发现CV技术之美图像去噪——一个"古老"而又一直存在不会过时的视觉课题。本文总结CVPR 2021 图像去噪相关论文。共计 14 篇。大家可以在：https://openacc...
视频降噪
yiyayiya557的博客
03-23 748
参考文章: 低光照图像增强 night-sight-seeing-in-dark-on-pixel，谷歌文章，暗态去噪与细节还原 https://ai.googleblog.com/2018/11/night-sight-seeing-in-dark-on-pixel.html Learning to See in the Dark Learning to See in the Dark. CVPR 2018，官方实现，tensorflow，有很多issue需要看 https://github.
2021年度必看的图像去噪论文
Hermite Lee的博客
02-07 3151
Restormer: Efficient Transformer for High-Resolution Image Restoration HINet: Half Instance Normalization Network for Image Restoration Uformer: A General U-Shaped Transformer for Image Restoration Multi-Stage Progressive Image Restoration NBNet: Noi..
图像去噪论文Noise2Noise-Learning Image Restoration without Clean Data论文详解
祥瑞的技术博客
01-22 1万+
背景：这篇文章发在ICML2018上，是图像领域的重要的论文。训练图像去噪不需要无噪的原图像，非常具有参考意义。 目的：读懂并解析论文。 论文地址：https://arxiv.org/abs/1803.04189 源码地址：https://github.com/NVlabs/noise2noise 目录 一、摘要与背景 1.1 贡献点 1.2 问题描述 二、理论背景 2.1 问题...
论文笔记：Burst Denoising with Kernel Prediction Networks
zbwgycm的博客
07-10 1万+
Burst Denoising with Kernel Prediction Networks Introduction 这是UC Berkeley与Google Research于CVPR2018发表的一篇多图像去噪论文。其提出了一种CNN网络结构可以预测空间变化的核（kernel），利用得到的每个位置的Kernel对图像进行局部配准和降噪。文章基于真实噪声生成模型对ground tru...
ORB特征学习
weixin_37781153的博客
11-17 476
原理 资料1 ORB一种改进的fast角点。 分为两部分： （1）：FAST角点提取:找到图像的角点，计算特征点的主方向，为后续的BRIEF特征添加了旋转不变特性。 （2）：BRIEF描述子：对前一步特征提取出特征点的周围图像区域进行描述。ORB对BRIEF进行了改进，在BRIEF使用了先前计算的方向信息。 Fast 角点 主要检测局部像素灰度变化明显的地方，如果像素与邻域的像素差别较大（亮或暗），那么他更可能是角点，Fast角点相对于其他角点检测速度快。 步骤如下： 选取像素ppp，假设他的灰度值为Ip
推荐文章：利用Kernel预测网络实现爆发噪声消除
gitblog_00085的博客
05-27 394
推荐文章：利用Kernel预测网络实现爆发噪声消除 1、项目介绍 Burst Denoising with Kernel Prediction Networks 是一个由Ben Mildenhall等人研发的开源项目，旨在解决图像处理中的突发噪声问题。尽管这不是一个官方的Google产品，但这个项目提供了强大的工具和模型，帮助研究人员和开发者有效地训练和应用Kernel预测网络（KPN）进行图像去...
基于核预测网络的图像去噪：一个强大的开源解决方案
gitblog_00382的博客
09-11 769
基于核预测网络的图像去噪：一个强大的开源解决方案 项目介绍 "Burst Denoising with Kernel Prediction Networks" 是一个由 Ben Mildenhall、Jonathan T. Barron、Jiawen Chen、Dillon Sharlet、Ren Ng 和 Robert Carroll 共同开发的开源项目。该项目基于他们在论文...
2019-arXiv-商汤-(DKPN)Learning Deformable Kernels for Image and Video Denoising
WX_Chen的博客
10-14 543
预测出的Kernels对于周围像素点的权重，以及周围像素点的选择方式。 从BM3D这类经典的传统图像去噪方式起，不同方法之间的最大区别就在于如何用一种有效的方式选择合适的像素点、以及如何定义这些像素点的权重，进而对这些像素点加权平均可得到近似“干净”的图像，也就达到了图像去噪的目的。 这篇文章提出的DKPN（暂且称之为DKPN），预测出per-pixel的自适应卷积核，但是对于可变形卷积来说，不仅包含weights和bias两部分，还会包含offsets，用于指示“周围像素”是指哪些像素，打破了传统卷积
音频降噪的论文
04-20
### 关于音频降噪技术的研究 音频降噪是一个广泛研究的领域，其目标是从带有背景噪声的语音信号中提取清晰的语音[^2]。这一过程对于提升语音的质量和可懂度至关重要，尤其是在复杂的环境条件下。目前，音频降噪的主要方法可以分为传统信号处理技术和基于深度学习的方法。 #### 1. **传统的音频降噪方法** 传统的音频降噪技术主要依赖于统计模型、滤波器设计以及频谱分析等工具。例如，WebRTC 中使用的 Noise Suppression (NS) 模块通过时域处理实现了较为有效的降噪功能[^1]。这种方法通常利用短时傅里叶变换（STFT）来估计语音和噪声的功率谱密度，并采用维纳滤波或其他类似的优化策略来进行频谱重建。此外，还有基于子空间投影的时域语音降噪方法，它能够有效区分语音分量和噪声分量并加以分离。 另一种常见的传统方法是麦克风阵列的自适应降噪算法。这类方法通过对多个传感器采集到的数据进行联合处理，从而增强目标方向上的声音而抑制其他方向的干扰源[^3]。这种技术特别适用于多通道录音设备，比如智能手机或会议系统中的麦克风阵列。 #### 2. **基于深度学习的音频降噪** 近年来，随着神经网络的发展，越来越多的研究转向了数据驱动型解决方案。相比传统方法，深度学习模型可以从大规模标注好的训练集中学到更复杂的声音特征表示形式，因此往往能取得更好的性能表现[^2]。典型的架构包括全连接神经网络(FCNNs)，循环神经网络(RNNs), 卷积神经网络(CNNs)及其组合体——即所谓的序列建模框架。 具体来说，一种流行的端到端训练范式叫做Mask Estimation Network(MENet)，其中输入的是含噪语音片段经过STFT转换得到的幅度谱矩阵；输出则是对应的理想二值掩码(IBMs)或者软掩码(SMs)[^2]。之后再借助逆向快速傅立叶变换(iFFT)重构纯净版的人声样本。 以下是简单的 Python 示例代码展示如何加载预训练模型执行基本操作： ```python import torch from model import DCCRN # 假设我们有一个名为DCCRN的类定义好了 def denoise_audio(input_signal_path, output_clean_path): device = 'cuda' if torch.cuda.is_available() else 'cpu' net = DCCRN().to(device) checkpoint = torch.load('pretrained_model.pth', map_location=device) net.load_state_dict(checkpoint['model']) noisy_waveform, sr = torchaudio.load(input_signal_path) with torch.no_grad(): clean_estimated = net(noisy_waveform.to(device)) torchaudio.save(output_clean_path, clean_estimated.cpu(), sample_rate=sr) denoise_audio('./noisy.wav', './cleaned_output.wav') ``` 此脚本调用了 `torchaudio` 库读取文件并通过 GPU 加速完成推理计算最后保存结果至指定路径下。 --- ###
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值