Denoising

Stream Query Denoising for Vectorized HD Map Construction

参考代码：截止2024.02未开源动机与出发点这篇文章是在StreamMapNet的基础上做的，为了在局部地图感知任务上提升时序上的感知稳定性，参考DN-DETR中的去噪方案，为局部地图感知提出一种针对局部地图元素的加噪声方案以及去噪逻辑。注意的是，这里DN去噪操作是在上一帧GT的基础上做的，原因是上一帧的感知结果存在相对GT存在更大不确定性（感知结果质量、地图元素新增和去除），为了训练的稳定性。

m_buddy·2024-02-13 16:55

【图像去噪/扩散模型】Deconstructing Denoising Diffusion Models for Self-Supervised Learning(l-DAE)

前言论文题目：DeconstructingDenoisingDiffusionModelsforSelf-SupervisedLearning——基于自监督学习的解构去噪扩散模型论文地址：DeconstructingDenoisingDiffusionModelsforSelf-SupervisedLearning2024何凯明最新工作，去噪扩散模型！Abstract在这项研究中，我们研究了最初用

十小大·2024-01-30 11:28

DENOISING DIFFUSION IMPLICIT MODELS 论文笔记

前言生成模型现在主要分为两类，分别是GAN和DiffusionModel，但是GAN存在一个很棘手的问题就是训练不稳定，这也是DiffusionModel相比之下的优势。DDPM是基于Markovian扩散过程的模型，虽然在生成模型上取得了不错的效果，但是同时也存在一个大缺点，就是由于在重建生成阶段是需要一步步进行，步数通常为2000，导致推理时间非常长，需要多次迭代才能产生高质量的生成样本。基于

Unsunshine_Bigboy_?·2024-01-28 20:59

Denoising diffusion implicit models 阅读笔记2

Denoisingdiffusionprobabilisticmodels(DDPMs)从马尔科夫链中采样生成样本，需要迭代多次，速度较慢。Denoisingdiffusionimplicitmodels(DDIMs)的提出是为了在复用DDPM训练的网络的前提下，加速采样过程。加速采样的基本思路是，原本的生成过程是从[T,⋯ ,1][T,\cdots,1][T,⋯,1]的序列逐步采样，加速时考虑从

冰冰冰泠泠泠·2024-01-28 20:57

DDPM: Denoising Diffusion Probabilistic Models的白话总结

目前所采用的扩散模型大都是来自于2020年的工作DDPM:DenoisingDiffusionProbabilisticModels。本文主要是对b站视频大白话AI|图像生成模型DDPM的记录和总结。该视频是目前见到的对DDPM讲述最为浅显易懂的，首先表达对视频作者的敬意，推荐看原视频，本文的讲述略去了一些比较常识性的东西，原视频非常值得看，会有很多收获。故记录总结之。对深入的知识进行本质的理解，

溯源006·2024-01-18 18:57

DINO:DETR with Improved DeNoising Anchor Boxes for End-to-End Object Detection

论文名称：DINO:DETRwithImprovedDeNoisingAnchorBoxesforEnd-to-EndObjectDetection发表时间：ICLR2023作者及组织：ShilongLiu,FengLi等，来自IDEA、港中文、清华。前言该篇论文在DN-DETR基础上，额外引进3个trick进一步增强DETR的性能：在12epoch下coco上达到了49.0map。本文将分别介

武乐乐~·2024-01-18 10:40

DINO： DETR with Improved DeNoising Anchor Boxes for End-to-End Object Detection(ICLR2023补)

文章目录AbstractIntroductionContributionRelatedWorkDINO:DETRwithImprovedDeNoisingAnchorBoxesPreliminariesModelOverviewContrastiveDeNoisingTrainingAnalysisEffectivenessMixedQuerySelectionLookForwardTwiceEx

怎么全是重名·2024-01-10 10:01

降噪自编码器（Denoising Autoencoder）

降噪自编码器（DenoisingAutoencoder）是一种用于无监督学习的神经网络模型。与普通的自编码器不同，降噪自编码器的目标是通过在输入数据中引入噪声，然后尝试从具有噪声的输入中重建原始无噪声数据。以下是降噪自编码器的主要特点和工作原理：1.噪声引入：在训练阶段，降噪自编码器将输入数据添加一些噪声，例如高斯噪声或随机失活（randomdropout）。这样的操作迫使网络学习对输入的噪声具有

不做梵高417·2024-01-06 20:24

图像融合论文阅读：DDFM: Denoising Diffusion Model for Multi-Modality Image Fusion

@article{zhao2023ddfm,title={DDFM:denoisingdiffusionmodelformulti-modalityimagefusion},author={Zhao,ZixiangandBai,HaowenandZhu,YuanzhiandZhang,JiangsheandXu,ShuangandZhang,YulunandZhang,KaiandMeng,Dey

qiang42·2024-01-03 16:36

Lighting Every Darkness in Two Pairs: A Calibration-Free Pipeline for RAW Denoising_ICCV2023

论文地址Amber：作者强调实现真值图和噪声图的对准是困难的，并且提出一个解决方案，这个方案的实现逻辑还没有完全看明白，继续加深TBD：看以下内容，其他部分暂时不管1、Introduction细读2、使用的数据集&评价标准3、和SOTA方法的对比方式&结果Abstract1、背景知识：基于calibration的方法在极低光照的RAW图像去噪中占主导地位，该方法有诸多不足（此处略）2、作者提出一个

木槿qwer·2023-12-31 02:35

BM3D_Image Denoising by Sparse 3-D Transform-Domain Collaborative Filtering_2007

稀疏三维变换域协同滤波图像去噪Amber：人的认知是不断加深的，现在不懂没有关系，只要你不断地阅读，一步一步的最终认识会到达可以看懂它的程度。Abstract这篇文章思路很难理解，我先只看摘要，后续1、提出一种基于变换域增强稀疏表示的图像去噪策略。2、将相似的二维图像块分组到三维数据数组中，可以增强稀疏性。协同滤波：用于处理三维数组。Amber：为啥要增强稀疏表示啊，有什么好处。协同滤波又是怎么实

木槿qwer·2023-12-31 02:05

DDAE: Denoising Diffusion Autoencoders are Unified Self-supervised Learners

DDAE:DenoisingDiffusionAutoencodersareUnifiedSelf-supervisedLearnersPaper：https://arxiv.org/abs/2303.09769Code：https://github.com/FutureXiang/ddaeTL;DR：扩散模型的训练其实就是训练一个去噪模型，考虑到类似的去噪自编码器能够提取出图像线性可分的表征用于

Adenialzz·2023-12-30 09:37

Denoising Diffusion Probabilistic Model原理+代码复现

DDPM原理推导复现的源码：denoising-diffusion-pytorch|https://github.com/FMsunyh/denoising-diffusion-pytorch自己的学习心得和部分笔记

FMsunyh·2023-12-20 05:49

【文献阅读】Joint Demosaicing and Denoising with Self Guidance

1.摘要近年来，一些神经网络在联合去马赛克和去噪(JDD)方面表现出了良好的效果。大多数算法首先将Bayer原始图像分解为四通道RGGB图像，然后将其输入神经网络。这种做法忽略了一个事实，即绿色通道的采样率是红色和蓝色通道的两倍。在本文中，我们提出了一种自引导网络(SGNet)，其中绿色通道首先被估计，然后作为一个引导来恢复输入图像中的所有缺失值。此外，不同频率的区域在图像恢复中遭受不同程度的退化

蘑菇桑巴·2023-12-03 04:31

文章学习37“When Image Denoising Meets High-Level Vision Tasks: A Deep Learning Approach”

最近出现很多将低级图像任务和高级图像任务结合在一起的工作，比如说一个图像分类的任务，但是图像是有噪声的，就可以将图像先喂到去噪网络里，然后将去噪的结果喂到分类网络中。事实上，我觉得这个做法和GAN的思想很像，就是生成器完成去噪工作，然后判别器进行分类。从理论上进行分析，这件事的可行性是很大的，因为人眼和计算机对图像的理解是不一样的，从计算机的语义层面上进行低级图像任务是可靠的。本文是IJCAI20

Carrie_Hou·2023-11-28 20:52

计算机视觉算法——基于Transformer的目标检测（DN DETR / DINO / Sparser DETR / Lite DETR）

Transformer的目标检测（DNDETR/DINO）计算机视觉算法——基于Transformer的目标检测（DNDETR/DINO）1.DNDETR1.1StablizeHungarianMatching1.2Denoising1.3AttentionMask2

Leo-Peng·2023-11-27 10:47

基于小波的信号去噪方法研究（Research on Wavelet-based Signal Denoising Methods）

点我下载：基于小波的信号去噪方法研究.docx基于小波的信号去噪方法研究ResearchonWavelet-basedSignalDenoisingMethods目录目录2摘要3关键词4第一章绪论41.1引言41.2研究背景51.3研究目的71.4研究意义81.5本文结构10第二章小波变换的原理与方法122.1小波变换基础122.2小波变换的算法与实现132.3小波变换在信号处理中的应用14第三章

桃宝护卫队·2023-11-27 01:27

论文阅读——DDeP（cvpr2023）

于是提出可以和监督学习encoder结合的基于去噪denoising的decoder预训练方法。当标签少的时候这个方法表现很好，超过监督学习。所以整个方法就是，encoder在

じんじん·2023-11-26 14:23

文章学习30“Deep Image Demosaicking using a Cascade of Convolutional Residual Denoising Networks”

这篇文章是ECCV2018年的作品，一个去噪-去马赛克的级联作品，看这篇paper的原因是他的网络结构和我目前所用的RES基本一模一样。但这篇文章是来做去马赛克-去噪联合问题（但这一般去噪网络都可以完成这个）。本文中，作者假设图像受到的高斯噪声都是独立同分布的，那么从噪声图像y中恢复出来x的过程就可以利用贝叶斯理论求最大后验概率：上式可以等效为下式，其中第一项对应于上式的对数似然信息，第二项对应于

Carrie_Hou·2023-11-21 04:00

Spatially Adaptive Self-Supervised Learning for Real-World Image Denoising 论文阅读笔记

CVPR2023的一篇哈工大发表的真实世界图像去噪的论文，代码开源，nice文章两大要点，一个是BNN一个是LAN。文章的intro中提到，现有的很多方法虽然设计上与噪声的分布无关，但是实际上却只能处理空间独立的噪声。这一部分的介绍很流畅，对现有的一些SSID方法带过的同时，也逐个揭示了其缺点，为后续自己方法的提出进行铺垫。无论是写法上，还是内容上，都可以借鉴，并且其带过的论文，没读过的后续也可以

ssf-yasuo·2023-11-12 18:30

Masked Image Training for Generalizable Deep Image Denoising 论文阅读笔记

CVPR2023港科大（广州）发的一篇denoising的论文，作者里面有上海AILab的董超老师（看introduction的时候看到有一段很像董超老师Networksareslachingoff的论文的思想

ssf-yasuo·2023-11-12 18:52

深度学习（生成式模型）——DDIM：Denoising Diffusion Implicit Models

文章目录前言为什么DDPM的反向过程与前向过程步数绑定DDIM如何减少DDPM反向过程步数DDIM的优化目标DDIM的训练与测试前言上一篇博文介绍了DDIM的前身DDPM。DDPM的反向过程与前向过程步数一一对应，例如前向过程有1000步，那么反向过程也需要有1000步，这导致DDPM生成图像的效率非常缓慢。本文介绍的DDIM将降低反向过程的推断步数，从而提高生成图像的效率。值得一提的是，DDIM

菜到怀疑人生·2023-11-12 14:12

【论文笔记】Denoising Diffusion Probabilistic Models

PreKnowledge1.条件概率的一般形式P(A,B)=P(B∣A)P(A)P(A,B)=P(B|A)P(A)P(A,B)=P(B∣A)P(A)P(A,B,C)=P(C∣B,A)P(B,A)=P(C∣B,A)P(B∣A)P(A)P(A,B,C)=P(C|B,A)P(B,A)=P(C|B,A)P(B|A)P(A)P(A,B,C)=P(C∣B,A)P(B,A)=P(C∣B,A)P(B∣A)P(A)

xhyu61·2023-11-11 17:02

真实感渲染的非正式调研与近期热门研究分享

1Top2Venues2RenderingReserach1Material2BRDF3AppearanceModeling4Capture5LightTransport光线传播6DifferetiableRendring-可微渲染7RayTracing8Denoising

longerVR·2023-11-10 11:07

BSVD论文理解：Real-time Streaming Video Denoising with Bidirectional Buffers

BSVD是来自香港科技大学的一篇比较新的视频去噪论文，经实践，去噪效果不错，在这里分享一下对这篇论文的理解。论文地址：https://arxiv.org/abs/2207.06937代码地址：GitHub-ChenyangQiQi/BSVD:[ACMMM2022]Real-timeStreamingVideoDenoisingwithBidirectionalBuffers我们都知道，在超低照度拍

牧羊女说·2023-10-23 21:19

11、Restoring Vision in Adverse Weather Conditions with Patch-Based Denoising Diffusion Models

简介官网：https://github.com/IGITUGraz/WeatherDiffusion在图像恢复中使用它们的一个主要障碍是它们的架构约束，禁止尺寸无关的图像恢复，而图像恢复基准和现实世界的问题由不同尺寸的图像组成基于去噪扩散概率模型的基于补丁的图像恢复算法。基于补丁的扩散建模方法通过在推理过程中使用平滑的重叠补丁噪声估计的引导去噪过程来实现大小不可知的图像恢复贡献点：提出了一种新的基

C--G·2023-10-23 19:21

论文阅读 | Restormer: Efficient Transformer for High-Resolution Image Restoration

low-level任务Restormer:EfficientTransformerforHigh-ResolutionImageRestoration引言low-leveltask如deblurring\denoising

btee·2023-10-21 18:18

Denoising Diffusion Probabilistic Model，DDPM阅读笔记——（二）

DenoisingDiffusionProbabilisticModel，DDPM阅读笔记一、去噪扩散概率模型（DenoisingDiffusionProbabilisticModel，DDPM）一、去噪扩散概率模型（DenoisingDiffusionProbabilisticModel，DDPM）在本节中，将详细讨论DDPM的相关概念与一些核心的数学推理过程，因为作者认为这些必要的数学推导与运

小小小~·2023-10-20 03:07

Stetman读paper小记：Denoising Diffusion Probabilistic Models

由于课题组研究需要，了解了一下当前比较火爆的扩散模型（DiffusionModel），其中DDMP作为扩散模型中比较重要的基础模型之一，特此记录。这篇论文主要介绍了一种去噪扩散概率模型。关于扩散模型的一些基础笔记，记录在http://t.csdn.cn/VZkZG模型原理*PDF：PDF是一个“概率函数”，表示连续随机变量的密度（可能性）——在这种情况下，这意味着一个函数，表示图像位于函数参数定义

Stetman·2023-10-20 03:06

深度学习（生成式模型）——DDPM：denoising diffusion probabilistic models

文章目录前言DDPM的基本流程前向过程反向过程DDPM训练与测试伪代码前向过程详解反向过程详解DDPM损失函数推导结语前言本文将总结扩散模型DDPM的原理，首先介绍DDPM的基本流程，接着展开介绍流程里的细节，最后针对DDPM的优化函数进行推导，以让读者明白DDPM参数估计的原理。本文不会对扩散模型的motivation进行讲解，作者有点鬼才，完全想不到他是怎么想出这种训练范式的生成式模型的代表作

菜到怀疑人生·2023-10-20 03:05

DINO（ICLR 2023）

DINO（ICLR2023）DETRwithImproveddeNoisinganchOrboxDINO发展：ConditionalDETR->DAB-DETR（4D,WH修正）DN-DETR（去噪训练，deNoising

白蜡虫可·2023-10-20 01:34

Denoising diffusion implicit models 阅读笔记

Denoisingdiffusionprobabilisticmodels(DDPMs)从马尔科夫链中采样生成样本，需要迭代多次，速度较慢。Denoisingdiffusionimplicitmodels(DDIMs)的提出是为了加速采样过程，减少迭代的次数，并且要求DDIM可以复用DDPM训练的网络。加速采样的基本思路是，DDPM的生成过程需要从[T,⋯ ,1][T,\cdots,1][T,⋯,

冰冰冰泠泠泠·2023-10-16 12:58

论文阅读：FFDNet：Toward a Fast and Flexible Solution for CNN based Image Denoising

IntroductionFFDNet是ZhangKai的一篇承前启后之作，从DnCNN到FFDNet再到CBDNet是一个网络的泛化过程，处理的对象从均匀的高斯噪声变成更加复杂的真实噪声。DnCNN利用BatchNormalization和residuallearning可以有效地去除均匀高斯噪声，且对一定噪声水平范围的噪声都有抑制作用。然而真实的噪声并不是均匀的高斯噪声，其是信号依赖的，各颜色通

JimmyCM·2023-10-15 05:09

（2023|CVPR，中文，扩散，知识增强，去噪专家组合）ERNIE-ViLG 2.0：利用知识增强的去噪专家组合改进文本到图像扩散模型

ERNIE-ViLG2.0:ImprovingText-to-ImageDiffusionModelwithKnowledge-EnhancedMixture-of-Denoising-Experts公众号

EDPJ·2023-10-14 21:23

Denoising Score Matching (DSM) 去噪得分匹配模型&变分推理(VAE)&退火郎之万动力学

DenoisingScoreMatching——DSM有没有谁通俗的讲一下Denoisingscorematching?DenoisingScoreMatching(DSM)论文>作者是将denoisingautoencoder和scoremathching联系在了一起，提出了DenoisingScoreMatchine(DSM),并且这个工作启发了后来的很多工作。简单的说这个工作和scorema

dataloading·2023-10-10 15:49

stable diffusion学习笔记【2023-10-2】

Stupid小池·2023-10-03 08:36

Denoising Diffusion Autoencoders are Unified Self-supervised Learners

DenoisingDiffusionAutoencodersareUnifiedSelf-supervisedLearners(Paperreading)WeilaiXiang,BeihangUniversity,arXiv23,Code,Paper1.前言受最近扩散模型进展的启发，这让人想起去噪自编码器，我们研究了它们是否可以通过生成预训练获得分类的判别表示。本文表明扩散模型中的网络，即去噪扩散

努力学图像处理的小菜·2023-10-01 12:40

【论文阅读】Multi-view Self-supervised Disentanglement for General Image Denoising

目录摘要贡献方法结论摘要论文:https://chqwer2.github.io/MeD/现有方法的问题：不可避免地对不可见或者真实和一般的噪声进行泛化。这些模型的设计是为了学习从噪声图片到干净图片的映射。我们方法的目标：我们目标是学习解耦噪声图像。直觉假设：同一干净图像的不同的损坏版本共享一个共同的潜在空间。方法:输入两个不同损坏的图片，MeD方法学习区将潜在的干净特征从损坏的特征中分离出来，恢

鱼小丸·2023-09-28 18:48

【DDPM论文解读】Denoising Diffusion Probabilistic Models

0摘要本文使用扩散概率模型合成了高质量的图像结果，扩散概率模型是一类受非平衡热力学启发的潜变量模型。本文最佳结果是通过根据扩散概率模型和朗之万动力学的去噪分数匹配之间的新颖联系设计的加权变分界进行训练来获得的，并且本文的模型自然地承认渐进式有损解压缩方案，该方案可以解释为自回归解码的推广。在CIFAR10数据集上，本文都获得了不错的分数。本文github链接：https://github.com/

AI 菌·2023-09-23 21:10

【DDPM】Denoising Diffusion Probabilistic Models

1、加噪过程1、将图像x0x_0x0像素值映射到[-1,1]之间x255×2−1,where x为图像中的像素值\quad\frac{x}{255}\times2-1,\quadwhere\;x为图像中的像素值255x×2−1,wherex为图像中的像素值\quad2、生成一张尺寸相同的噪声图片，像素值服从标准正态分布ϵ∼N(0,1),where ϵ为噪声图像中的像素值\quad\epsilo

Enzo 想砸电脑·2023-09-22 07:44

图像去噪：Reconstruct-and-Generate Diffusion Model for Detail-Preserving Image Denoising

论文作者：YujinWang,LingenLi,TianfanXue,JinweiGu作者单位：ShanghaiArtificialIntelligenceLaboratory;TheChineseUniversityofHongKong论文链接：http://arxiv.org/abs/2309.10714v1内容简介：1）方向：图像去噪2）应用：图像去噪3）背景：传统的监督式去噪方法通常从嘈杂

学术菜鸟小晨·2023-09-21 20:48

网格去噪

图1.含噪声的网格那么给定图2中左边的含噪声的网格，我们可以通过Denoising把噪声去掉得到右边的网格。Denoising的叫法很多，例

AlbertLiDesign·2023-09-20 19:03

DWT（离散小波变换）

：杨明祎学号：20011110229转载自：https://blog.csdn.net/zhaomengszu/java/article/details/54562066今天读paper遇到用DWT做denoising

尛祎寶·2023-09-11 21:47

【文生图系列】Denoising Diffusion Probabilistic Models论文解读

文章目录扩散模型扩散过程反向过程优化目标训练过程参考此篇论文是DDPM的奠基之作，后续扩散模型相关论文都基本继承了前向加噪-反向降噪-训练这样的框架。论文全是公式，理解起来好难好难。【文生图系列】基础篇-马尔可夫链【文生图系列】基础篇-变分推理（数学推导）扩散模型扩散模型是扩散概率模型（diffusionprobabilisticmodel）的简称，它是一个参数化的马尔科夫链，使用变分推理进行训练

马鹤宁·2023-09-03 21:52

深度学习论文分享（七）Denoising Diffusion Probabilistic Models for Robust Image Super-Resolution in the Wild

深度学习论文分享（七）DenoisingDiffusionProbabilisticModelsforRobustImageSuper-ResolutionintheWild前言Abstract1.Introduction2.BackgroundonDiffusionModels3.RelatedWork4.Methodology4.1.Architecture4.2.Higher-orderde

澪mio·2023-08-30 21:59

降噪自编码器(Denoising Autoencoder)

降噪自编码器的基本原理如下：给输入数据加上噪声。用编码器将含有噪声的输入数据压缩成低维表示。用解码器将低维表示恢复成原始数据。训练网络使得解码器的输出尽可能接近原始数据，同时编码器学会从噪声中学习特征。降噪自编码器的目的是学习如何从受损的输入数据中恢复出干净的输出数据。图像去噪。降噪自编码器可以用于去除图像中的高斯噪声或者均匀噪声。数据预处理。在某些机器学习任务中，由于噪声或者缺失数据的存在，需要

小宋加油啊·2023-08-29 08:41

Diffusion Probabilistic Priors for Zero-Shot Low-Dose CT Image Denoising

Zero-Shot低剂量CT图像去噪的扩散概率先验论文链接：https://arxiv.org/abs/2305.15887项目链接：https://github.com/DeepXuan/Dn-DpAbstract低剂量CT图像去噪是医学图像计算中的一项关键任务。近年来，基于监督的深度学习方法在这一领域取得了重大进展。然而，这些方法通常需要对低剂量和正常剂量的CT图像进行训练，这在临床环境中很难

通街市密人有·2023-08-24 21:16

文章学习24“Image Blind Denoising With Generative Adversarial Network Based Noise Modeling”

这篇文章是CVPR2018里做图像去噪的文章之一，主要针对的是图像里的盲去噪，也就是指在不知道噪声水平下的去噪。作者是中山大学和CVTE合作，文章的主要思路和我现在做的很类似，用一个CNN网络来拟合图像中的噪声，网络就是拿DnCNN改的，把最后的subtract去掉。但是由于数据集不够，所以提出来了用GAN来产生噪声以和干净图像结合增加数据量。图像去噪领域内的工作之前也都有介绍，这篇文章就是把Dn

Carrie_Hou·2023-08-18 19:01

DDPM: Denoising Diffusion Probabilistic Models

DDPM:DenoisingDiffusionProbabilisticModels去噪扩散模型前向过程-加噪声反向过程-去噪声去噪扩散模型论文题目：DenoisingDiffusionProbabilisticModels(DDPM)论文来源：NIPS,2020论文地址：https://arxiv.org/abs/2006.11239论文代码：https://hojonathanho.githu

计算机CV民工·2023-08-16 13:50

DDIM: DENOISING DIFFUSION IMPLICIT MODELS

DDIM:DENOISINGDIFFUSIONIMPLICITMODELS去噪扩散隐式模型DDIM预测噪声生成过程实验论文题目：DenoisingDiffusionImplicitModels(DDIM)论文来源：ICLR2021论文地址：https://arxiv.org/pdf/2010.02502.pdf论文代码：https://github.com/ermongroup/ddim去噪扩散隐