Denoising: from classical methods to deep CNNs

本文旨在以教育性的方式探讨图像去噪的演变。我们简要回顾了傅里叶分析和小波基等经典方法，重点介绍了它们在面临挑战时的情况，直到神经网络的出现，特别是在2010年代出现的U-Net。这些网络的显着性能已在Kadkhodaie等人（2024年）的研究中得到证明。它们表现出适应各种图像类型的能力，包括那些具有固定规律性、面部图像和卧室场景，取得了最佳结果，并倾向于几何自适应谐波基。得分扩散的引入在图像生成中起到了至关重要的作用。在这种情况下，去噪变得至关重要，因为它有助于估计概率密度分数。我们讨论了真正学习概率密度所需的前提条件，提供了从数学研究到通用结构的影响的见解。

本文旨在以教育的方式探讨图像去噪的演变过程。目前神经网络如U-Net在图像去噪方面表现出色，但是在此之前，傅里叶分析和小波基等传统方法面临了很多挑战。本文试图探讨这些挑战并介绍神经网络的优势。

本文介绍了神经网络在图像去噪方面的优越性能，特别是U-Net。作者还讨论了概率密度估计的真正学习前提，并提供了从数学研究到通用结构的洞见。

本文介绍了神经网络在图像去噪方面的优越性能，特别是U-Net。作者还讨论了概率密度估计的真正学习前提，并提供了从数学研究到通用结构的洞见。

在图像去噪领域，最近的相关研究包括：Kadkhodaie等人的研究。