返回
A Gradient-Projected Model for Image Denoising
DOI:10.3390/s26010013.png)
摘要
En 中文
数字图像在采集过程中容易受到各种噪声的影响,这会扭曲结构信息并阻碍后续处理。本研究提出了AuroraNet,一种去噪框架,它扩展了DudeNet的双分支设计,并集成了梯度投影函数(GPF)优化器以增强训练稳定性并保留精细尺度图像特征。我们在两个真实世界的噪声图像数据集上评估了该模型,以检验其在不同噪声条件下的鲁棒性。AuroraNet在第一个数据集上达到平均PSNR 35.59 dB,在第二个数据集上达到38.40 dB,同时在后者的SSIM为0.9633。在所有基准测试中,AuroraNet始终比多个现有模型和基线DudeNet提供更高的重建质量。尽管R-REDNet在一个数据集上获得了最高的整体分数,但AuroraNet在参数量少得多的情况下达到了相当的性能,凸显了其效率和实用价值。这些结果表明,AuroraNet为真实世界图像去噪提供了一个平衡的解决方案,在保持计算经济性的同时具备强大的去噪能力。
Keyword:
image denoising
gradient-projected function (GPF)
optimization
deep learning
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
Coevolutionary neural dynamics considering multiple strategies for nonconvex optimization. Tsinghua Sci. Technol. 2025:9010120考虑多种策略的非凸优化协同进化神经网络动力学。Tsinghua Sci. Technol. 2025:9010120
Low-Dose CT Image Denoising Using a Generative Adversarial Network With Wasserstein Distance and Perceptual Loss使用具有Wasserstein距离和感知损失的生成对抗网络对低剂量CT图像进行去噪
Image denoising method of HV insulator damage based on U-Net neural network基于U-Net神经网络的HV绝缘子损伤图像去噪方法
A robust framework for noisy speech recognition using Frequency-Guided-Swin Transformer一种基于Frequency-Guided-Swin Transformer的鲁棒性语音识别框架
Improved image denoising through fractional anisotropic diffusion and resolution-tailored differentiation in the Fourier domain通过分数各向异性扩散和傅里叶域分辨率自适应微分改进图像去噪

