内容概要：本文介绍了面向移动图像去噪任务的大规模数据集（Mobile Image Denoising Dataset, MIDD）及其高效的基线模型 SplitterNet。MIDD 数据集由超过40万对不同光线条件下拍摄的手机动态/静态照片构成，涉及20种不同传感器，并补充了用于精确模型评估的新测试集DPerview。SplitterNet 模型采用创新架构，在保证高精度同时实现了移动端高效推理速度（处理800万像素图片小于一秒），并在多种性能指标上超越先前解决方案。实验证明，训练后的模型在不同摄像头上的泛化能力尤为突出。 适合人群：研究者和技术开发人员，特别是从事图像去噪和深度学习应用于移动平台的研究人员及从业者。 使用场景及目标：本项目主要针对提高智能手机拍照质量的应用场合，旨在为研究人员提供丰富且高质量的真实世界图像样本以及高效的去噪模型，以改善各种环境光线下手机相机捕获的照片品质。具体应用目标涵盖快速在线去噪、多曝光融合增强等多个方面，最终使用户体验得到质变性的提升。

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