这些文件实现了用于总变异去噪的拆分 Bregman 方法。 它解决了优化问题： u = arg min_u 1/2||ug||_2^2 + mu*TV(u) 其中 g 是噪声图像，mu 是正则化参数，u 是去噪图像。 TV(u) 是各向异性或各向同性的总变差。 参考： * Goldstein 和 Osher，L1 正则化问题的分裂 Bregman 方法SIAM 影像科学杂志 2(2) 2009 *Micchelli 等人，图像模型的邻近算法：去噪逆问题 27(4) 2011

Image Denoising by Sparse 3-D Transform-Domain Collaborative Filtering

带火炬的自动编码器去噪 众所周知，我们从相机拍摄的照片有时不适合处理。 在该项目中，在执行诸如文本检测之类的项目时，采取了必要的步骤以实现最大的效率。 此步骤是清除图像中的噪点。 在这个项目中使用了卷积神经网络和自动编码器。 玩的很开心。 嘈杂的图片和清晰的图片 结果

denoising.pdf

程序算法来自2009有关反问题的文章《A fast algorithm for the total variation model of image denoising》

维纳滤波音频去噪matlab代码小波去噪 基于多锥谱自适应小波去噪的Yu和Guizou语音增强的Matlab实现。 布雷西亚大学信息表示高级方法课程的最终项目，2018年。 众所周知，在大多数频域语音增强算法中遇到的“音乐噪声”部分是由于频谱的大方差估计所致。 为了解决这个问题，我们建议在本文中使用基于小波阈值的多方谱的低方差频谱估计器进行语音增强。 导出了一个短时频谱幅度估计器，该估计器结合了小波阈值多峰频谱。 听力测试表明，与子空间和MMSE算法相比，多锥频谱估计与小波阈值结合可抑制音乐噪声并产生更好的质量。 用法 执行SpeechEnhancement.m。 您将需要手动更改代码中的音频路径。 要迭代算法： 一次执行所有代码； 按以下顺序重复各节： 带Multitapers的PSD估计 DWT +阈值+维纳过滤器 重建与结果

DCDicL用于图像去噪 郑鸿毅*，永鸿伟*，张磊，《 CVPR 2021年的“深度卷积字典学习以进行图像去噪”》（*平等贡献） DCDicL的实现基于出色的图像恢复工具箱 。 要求 PyTorch 1.6+ 漂亮表 tqdm 测验 步骤1 从下载预训练的模型。 解压缩下载的文件并将文件夹放入./release/denoising 第2步 配置options/test_denoising.json 。 重要设置： 任务：任务名称。 路径/根：保存任务的路径 path / pretrained_netG：包含预训练模型的文件夹的路径。 data / n_channels：1表示灰度，3表示颜色。 测试/可视化：对于保存嘈杂的输入/预测字典为true。 第三步 python test_dcdicl.py 训练 培训代码即将发布。

真实图片的去噪神经网络——CBDNet的中文翻译

A non-local algorithm for image denoising

卡尔曼滤波视频去噪 Kalman filtering of patches for frame-recursive video denoising