BriefGPT - AI 论文速递
·
自校准的方差稳定变换用于现实世界图像去噪
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了一种新的变分推断方法 - Variational Denoising Network（VDN），将噪声估计和图像去噪综合到一个贝叶斯框架中。VDN使用深度神经网络参数化的近似后验条件于输入的图像和噪声方差的潜变量，提供具有显式参数形式的后验分布，可用于自动噪声估计的盲图像去噪。VDN具有传统模型驱动方法的优点，也具有数据驱动深度学习方法的效率、灵活性和可解释性，且能够在真实场景下估计并消除复杂的非i.i.d噪声。综合实验结果表明，该方法在盲图像去噪方面具有优越性。
🎯
关键要点
-
介绍了一种新的变分推断方法 - Variational Denoising Network（VDN）。
-
VDN将噪声估计和图像去噪综合到一个贝叶斯框架中。
-
使用深度神经网络参数化的近似后验条件于输入的图像和噪声方差的潜变量。
-
VDN提供具有显式参数形式的后验分布，可用于自动噪声估计的盲图像去噪。
-
VDN结合了传统模型驱动方法的优点和数据驱动深度学习方法的效率、灵活性和可解释性。
-
能够在真实场景下估计并消除复杂的非i.i.d噪声。
-
综合实验结果表明，该方法在盲图像去噪方面具有优越性。
➡️
