Patch-based Near-Optimal Image Denoising http://users.soe.ucsc.edu/~priyam/PLOW/download.php

自导网络快速图像去噪 SGN的PyTorch实现以及给定噪声范围的估计PSNR 训练 我在Python 3.6和PyTorch 1.0环境上训练了此SGN。 培训策略与论文相同。 您可以使用以下脚本对自己的数据进行训练（请注意，您需要修改数据集路径）： cd SGN python train.py or sh zyz.sh 测验 我使用ILSVRC2012验证集对4个NVIDIA TITAN Xp GPU进行了培训，并在1个TITAN Xp GPU上进行了测试。 详细信息显示在代码train.py 。 该演示来自SGN的ILSVRC2012验证集（mu = 0，sigma = 30，batchsize = 32、1000000次迭代）。 左：干净的图像（从COCO2014验证集中选择，COCO_val2014_000000264615.jpg） 中：加性高斯噪声+清晰图像 右

Image denoising using scale mixtures of Gaussians in the wavelet domain

图像去噪综述论文：Deep Learning on Image Denoising: An Overview

该包通过混合自适应提供了自适应图像去噪算法的实现。 所提出的方法 [1, 2] 采用从通用外部数据库中学习到的通用先验，并将其适应噪声图像以生成特定先验，然后将其用于 MAP 去噪。 所提出的算法是严格推导出来的从贝叶斯超先验的角度来看，并进一步简化以降低计算复杂度。 要对去噪性能进行整体评估，请运行演示文件：“demo.m”。 如需更多信息和引文，请参阅： [1] E. Luo、SH Chan 和 TQ Nguyen，“通过混合自适应进行自适应图像去噪”，IEEE Trans。 图像处理。 2016 年。 [2] SH Chan、E. Luo 和 TQ Nguyen，“基于 EM 适应的自适应补丁图像去噪”，Proc。 IEEE 全球会议信号信息处理。 （GlobalSIP'15），2015 年 12 月。

An Efficient SVD-Based Method for Image Denoising 代码

关于代码 这是“ Zhao，C.，Zhang，J.，Ma，S.，Fan，X.，Zhang，Y.，＆Gao，W.（2017）。”的matlab实现。表示和量化约束优先。IEEE视频技术电路和系统交易，第27（10），2057-2071页。” 用法 只需运行文件Demo_SSRQC_Deblocking.m 。 引用这项工作 如果使用此代码，请引用以下论文。 @article{zhao2017reducing, title={Reducing image compression artifacts by structural sparse representation and quantization constraint prior}, author={Zhao, Chen and Zhang, Jian and Ma, Siwei and Fan, Xiaopeng and

DnCNN-张量流 TIP2017论文的张量流执行器， 模型架构 结果 BSD68平均结果 BSD68数据集上不同方法的平均PSNR（dB）结果。 噪音等级 BM3D 无线网络 锁相环 MLP 脑脊液 TNRD 神经网络 神经网络 DnCNN-张量流 25 28.57 28.83 28.68 28.96 28.74 28.92 29.23 29.16 29.17 Set12平均结果 噪音等级 神经网络 DnCNN-张量流 25 30.44 30.38 要求 tensorflow >= 1.4 numpy opencv 数据集 我使用BDS500数据集进行训练

matlab滑动条码使用带有OMP的K-SVD进行稀疏编码的图像去噪 网络上可用的关于kSVD和稀疏编码的C / C ++软件/工具数量有限。 这就是为什么我想出决策实现kSVD算法来解决其原始问题的原因：图像去噪。 但是，我实现此算法的主要目标是： 为了以后在多核系统上进行优化 将其用于我的主要研究：多目标跟踪。 该算法使用正交匹配追踪（OMP）进行稀疏编码，使用kSVD进行字典学习。 对于Matlab代码，通过谷歌搜索<1s。 入门 先决条件 OpenCV 3.0 的CMake 2.8 在Centos 7.0上测试 正在安装 在当前项目目录mkdir构建cmake ../ 制作 您可以尝试修改主功能中的所有参数。 运行测试 在这里，我使用以下参数运行测试 //更改这些参数以对结果生效const int sigma = 25; const int slide = 2; const int imgWidth = 160; //将图像调整为该值const int imgHeight = 160; //将图像调整为该值const int patchWidth = 8; const int

深度卷积神经网络(CNNs)在低层次计算机视觉领域引起了广泛的关注。通过很深的CNN网络来提高性能。但随着深度的增加，浅层的信息被忽略掉。受这样的事实启发，我们提出了一种基于注意引导的卷积神经网络(ADNet)去噪方法，主要包括一个稀疏块(SB)、一个特征增强块(FEB)、一个注意块(AB)和一个重构块(RB)。