90s解读AI
近年来，利用深度神经网络解决图像去噪问题的热潮方兴未艾，但现有方法大多依赖于简单的噪声假设，如加性高斯白噪声(AWGN)、JPEG压缩噪声和相机传感器噪声等，而针对真实图像的通用盲去噪方法仍未出现。苏黎世联邦理工学院Luc Van Gool教授团队试图从网络架构设计和训练数据合成的角度来解决这一问题。具体而言，在网络架构设计方面，本文设计了一个swin-conv模块，将残差卷积层的局部建模能力和swin transformer模块的非局部建模能力结合起来，并将其作为主要构建模块插入到广泛使用的图像到图像转换模型:UNet架构中。在训练数据合成方面，本文设计了一个实用的噪声退化模型，该模型考虑了不同类型的噪声(包括高斯噪声、泊松噪声、斑点噪声、JPEG压缩噪声和处理后的相机传感器噪声)和大小调整，还涉及随机洗牌策略和双重退化策略。在去除AGWN和真实图像去噪方面的大量实验表明，新的网络架构设计实现了最先进的性能，新的退化模型则有助于显著提高实用性。该研究希望能够为当前的去噪研究提供有用的见解。源代码见：https://github.com/cszn/SCUNet，在线去噪网址见：https://replicate.com/cszn/scunet。
全文导读
Luc Van Gool团队 | 通过Swin-Conv-UNet和数据合成实现实用图像盲去噪
全文下载：
Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis
https://link.springer.com/article/10.1007/s11633-023-1466-0
https://www.mi-research.net/en/article/doi/10.1007/s11633-023-1466-0
关于Machine Intelligence Research
Machine Intelligence Research（简称MIR，原刊名International Journal of Automation and Computing）由中国科学院自动化研究所主办，于2022年正式出版。MIR立足国内、面向全球，着眼于服务国家战略需求，刊发机器智能领域最新原创研究性论文、综述、评论等，全面报道国际机器智能领域的基础理论和前沿创新研究成果，促进国际学术交流与学科发展，服务国家人工智能科技进步。期刊入选"中国科技期刊卓越行动计划"，已被ESCI、EI、Scopus、中国科技核心期刊、CSCD等20余家国际数据库收录，入选图像图形领域期刊分级目录-T2级知名期刊。2022年首个CiteScore分值在计算机科学、工程、数学三大领域的八个子方向排名均跻身Q1区，最佳排名挺进Top 4%，2023年CiteScore分值继续跻身Q1区。2024年获得首个影响因子(IF) 6.4，位列人工智能及自动化&控制系统两个领域JCR Q1区。
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢